تحلیل تغییرات شاخص‌های پوشش‌گیاهی در سنجنده‌های ماهواره لندست (مطالعه موردی: ارس‌زار‌های شرق پارک ملی گلستان و منطقه حفاظت‌ شده قرخود)

نوع مقاله : پژوهشی

نویسندگان

1 دانشگاه تربیت مدرس

2 گروه محیط زیست، دانشکده منابع طبیعی، دانشگاه تربیت مدرس

3 هیات غلمی شرکت مهاب قدس

چکیده

امروزه کسب آگاهی و دانش در رابطه با پوشش گیاهی و سلامت آن نقش مهمی را در مدیریت مناطق حفاظت شده و حفاظت از گونه‌های گیاهی و جانوری آن دارد. سنجش از دور فن‌آوری بسیار مفیدی است که جهت بررسی پوشش گیاهی از گذشته تاکنون نسبت به سایر روش‌ها ارجحیت داده می‌شود. استفاده از شاخص‌های پوشش گیاهی در تعیین گستره پوشش گیاهی یکی از راه‌های موجود در آشکارسازی تغییرات پوشش گیاهی می‌باشد. در تحقیق حاضر به‌دلیل شرایط اتمسفری مناسب و درصد ابرناکی کمتر از 10 درصد از تصاویر ماه ژوئن سالهای 1987و 2016 و ماه می سال 2003 مربوط به سه سنجنده TM، ETM+ و OLI ماهواره لندست و از سه شاخص NDVI، SAVI و EVI برای شناسایی و طبقه‌بندی پوشش‌ گیاهی منطقه مورد مطالعه استفاده گردید. از روشCross classification برای مقایسه شاخص‌های پوشش گیاهی با نقشه پوشش اراضی تهیه شده از روش طبقه‌بندی هیبرید و انتخاب بهترین شاخص پوشش گیاهی در طبقه‌بندی استفاده گردید. ضریب کاپای به‌دست آمده از مقایسه نقشه پوشش گیاهی با استفاده از شاخص‌ NDVI و نقشه پوشش اراضی برای سالهای 1987، 2003 و 2016 به‌ترتیب 87/0، 82/0 و 87/0 بود که مقادیر بالاتری نسبت به دو شاخص پوشش گیاهی دیگر را در سه سنجنده دارا بود. همچنین نتایج آشکارسازی تغییرات سی ساله، بیانگر کاهش 27/9153 هکتار از ارس‌زارهای منطقه مورد مطالعه بوده است که 43/9092 هکتار از آن به طبقه اراضی مرتعی و 84/60 هکتار به اراضی بایر تبدیل شده است.

کلیدواژه‌ها

موضوعات


تحلیل تغییرات شاخص­های پوشش­گیاهی در سنجنده­های ماهواره لندست (مطالعه موردی: ارس­زار­های شرق پارک ملی گلستان و منطقه حفاظت­ شده قرخود)

رحیمه صابرفر[1]، سامره فلاحتکار[2] *، سید حسین کیا[3]

 

تاریخ دریافت : 8/9/96 تاریخ پذیرش : 28/01/97

 

 

چکیده

امروزه کسب آگاهی و دانش در رابطه با پوشش گیاهی و سلامت آن نقش مهمی را در مدیریت مناطق حفاظت شده و حفاظت از گونه­های گیاهی و جانوری آن دارد. سنجش از دور فن­آوری بسیار مفیدی است که جهت بررسی پوشش گیاهی از گذشته تاکنون نسبت به سایر روش­ها ارجحیت داده می­شود. استفاده از شاخص­های پوشش گیاهی در تعیین گستره پوشش گیاهی یکی از راه­های موجود در آشکارسازی تغییرات پوشش گیاهی می­باشد. در تحقیق حاضر به­دلیل شرایط اتمسفری مناسب و درصد ابرناکی کمتر از 10 درصد از تصاویر ماه ژوئن سالهای 1987و 2016 و ماه می سال 2003 مربوط به سه سنجنده TM، ETM+ و OLI ماهواره لندست و از سه شاخص NDVI، SAVI و EVI برای شناسایی و طبقه­بندی پوشش­ گیاهی منطقه مورد مطالعه استفاده گردید. از روشCross classification  برای مقایسه شاخص­های پوشش گیاهی با نقشه پوشش اراضی تهیه شده از روش طبقه­بندی هیبرید و انتخاب بهترین شاخص پوشش گیاهی در طبقه­بندی استفاده گردید. ضریب کاپای به­دست آمده از مقایسه نقشه پوشش گیاهی با استفاده از شاخص­ NDVI و نقشه پوشش اراضی برای سالهای 1987، 2003 و 2016 به­ترتیب 87/0، 82/0 و 87/0 بود که مقادیر بالاتری نسبت به دو شاخص پوشش گیاهی دیگر را در سه سنجنده دارا بود. همچنین نتایج آشکارسازی تغییرات سی ساله، بیانگر کاهش 27/9153 هکتار از ارس­زارهای منطقه مورد مطالعه بوده است که 43/9092 هکتار از آن به طبقه اراضی مرتعی و 84/60 هکتار به اراضی بایر تبدیل شده است.

واژه‌های کلیدی: آشکارسازی تغییرات ، ارس، NDVI، EVI، SAVI

 

 


مقدمه

اهمیت پوشش گیاهی یا کاربری اراضی به­عنوان عامل پویا و موثر بر شرایط زیستی ایجاب می­کند که همواره اطلاعات کمی و کیفی دقیقی از آن تهیه و تغییرات مربوط به آن در بازه­های زمانی کوتاه مدت تعیین شود. آشکارسازی تغییرات در سنجش از دور تکنولوژی بسیار مفیدی است که می­توان آن­را برای به­دست آوردن لایه­های اطلاعاتی از خاک و پوشش گیاهی به­کار برد (1). بر همین اساس محققین زیادی به منظور بررسی پوشش گیاهی از داده­های سنجش از دور پ استفاده نموده و این تکنیک را مناسب این گونه مطالعات ارزیابی نموده­اند. امروزه با استفاده از تکنیک­های RS و GIS، تهیه نقشه کاربری اراضی در زمان­های مختلف و مقایسه آنها با یکدیگر در راستای دستیابی به نقشه تغییرات ایجاد شده براحتی قابل انجام است. پس از شناخت تغییرات ایجاد شده در دوره مورد نظر بررسی ارتباط تغییرات با عامل­های دخیل در آن انجام می­شود (8).

اصولاً بازتاب پوشش گیاهی در محدوده طیفی نور مرئی (66/0- 43/0 میکرومتر) کم و در محدوده­ی مادون قرمز نزدیک (1/1- 7/0 میکرومتر) زیاد است. سه ویژگی مهم برگ مانند کلروفیل، ساختار فیزیولوژیکی و میزان آب، اثر مهمی در بازتاب طبیعی آن دارد. اغلب شاخص­های گیاهی از انعکاسات مربوط به باندهای طیفی قرمز و مادون قرمز تولید می­شوند (5). شاخص­های پوشش گیاهی به دو دسته Rational و Orthogonal تقسیم می­شوند. البته تعدادی از شاخص­ها هیبریدی از شاخص­های گیاهی هستند. NDVI(Normalized Difference Vegetation index)، EVI(Enhanced Vegetation Index) و SAVI (Soil adjusted Vegetation Index) به ترتیب جزء شاخص­های نسبتی و هیبریدی می­باشند (10). بیش از چند دهه از کاربرد شاخص های گیاهی برای اهداف مختلف می­گذرد و هنوز هم در سطح وسیعی استفاده می­شود. در این میان دو شاخص پوشش­گیاهی EVI و NDVI از جمله شاخص­های جهانی هستند که برای آماده نمودن دائمی اطلاعات مکانی و زمانی پوشش گیاهی به­کار گرفته می­شوند، به­خصوص شاخص NDVI که کارایی مفید آن در بسیاری از مطالعات مشخص شده است (20 و 23). این شاخص با استفاده از فرمول جدول شماره 1 محاسبه شده و مقدار آن بین اعداد 1+ تا 1- تغییر می­کند. مقادیر منفی در این شاخص حاکی از عدم حضور پوشش گیاهی است. رابطه بین  NDVIو پوشش گیاهی می­تواند براساس پراکنش پوشش گیاهی که به­صورت ضعیف و پراکنده یا به­صورت متراکم باشد بنا شود، به این معنی که در نواحی که پوشش گیاهی پراکنده است و شاخص LAI کمتر از 3 باشد به­شدت تحت تاثیر انعکاس خاک قرار می­گیرد. بنابراین در نواحی که پوشش گیاهی پراکنده است شاخص تعدیل شده یا اصلاح شده پوشش گیاهی SAVI به­جای NDVI پیشنهاد شده است. شاخصEVI  هم شاخصی است که اطلاعات کاملی در رابطه با تغییرات مکانی و زمانی پوشش گیاهی ارائه می­دهد و بسیاری از مسائلی که ایجاد ناخالصی در NDVI می­نماید مانند اثرات زمینه خاک و گرد و غبارات برجای مانده روی پوشش گیاهی را کاهش می­دهد اما مساله مربوط به اثرات توپوگرافی را نمی­تواند برطرف نماید (20 و 23).

 

 

 

جدول 1. فرمول شاخص­های گیاهی مورد استفاده در تحقیق

نام شاخص

فرمول

منبع

NDVI

 

(25)

SAVI

 

(15)

EVI

 

(16)

 

 

 

 

ارس (Juniperus polycarpus) جزء معدود سوزنی برگان بومی ایران و از عناصر رویشی هیرکانی  و بخش کوهستانی ایران-  تورانی می­باشد که  مناطق وسیعی از کشور معرف رویشگاه­ آن است. در واقع بعد از بنه رتبه دوم را از نظر پراکنش در میان گونه­های درختی دارا می­باشد (6). به­طور کلی جوامع ارس مناطق شمال شرقی ایران تفاوت فاحشی با جوامع ارس البرز مرکزی و زاگرس دارد. در زاگرس و البرز مرکزی ارس در ارتفاعات بالا و اغلب به­صورت پراکنده و یا ممکن است همراه سایر گیاهان درختچه­ای مانند بادام و بنه دیده شود (4). تاکنون مطالعات زیادی بر روی این گونه صورت پذیرفته و بررسی روند تغییرات این گونه با ارزش در طی دهه­های گذشته تاکنون می­تواند نقش مهمی در تدابیر حفاظتی برای این گونه با ارزش ملی داشته باشد. جهت بررسی تغییرات این گونه در طی سی سال گذشته استفاده از تصاویر سنجنده­های متفاوت ماهواره لندست ضروری می­باشد، بنابراین با توجه به تفاوت دو سنجنده در تعداد و ترتیب باندهای طیفی، محدوده طیفی هر یک از باندها، تفاوت در زمان برداشت از سطح زمین، تفاوت در زاویه خورشید و زاویه سنجنده نسبت به هدف سطح زمین، و ارزیابی میزان تفاوت شاخص‌های طیفی پوشش گیاهی استخراج شده از سنجنده­های مختلف ماهواره لندست باید مشخص گردد. از اینرو هدف از این مطالعه انتخاب شاخص‌ طیفی پوشش گیاهی مناسب برگرفته از سنجنده‌های مختلف و در زمان‌های مختلف برای زیستگاه‌های کوهستانی ارس و آشکارسازی تغییرات سی ساله ارس با استفاده از روش مقایسه پس از طبقه­بندی برای هر سنجنده می­باشد. وائوگن و همکاران (31)؛ با استفاده از تصاویر سنجنده­های MSS، TM لندست و شاخص پوشش گیاهی NDVI و تکنیک مقایسه پس از طبقه­بندی، اراضی مرتفع جنگل ماداگاسکار را بررسی نمود. طبقه­بندی با استفاده از روش حداکثر احتمال صورت پذیرفت و صحت نقشه­های حاصله بین 97/0-81/0 بدست آمد. نتایج بررسی نشان داد بیشترین نرخ جنگل­زدایی در مناطقی که تراکم جمعیت بیشتر از 10 نفر در هر کیلومتر مربع است رخ می­دهد.

 

ارخی و همکاران (7)؛ با استفاده از از روش طبقه­بندی نظارت شده و روش­های مختلف آن نقشه پوشش اراضی منطقه کبیرکوه را از روی تصاویر ماهواره­ای لندست سال­های 1998 و 2002 تهیه کرد. در این مطالعه دامنه تغییر شاخص پوشش­گیاهی NDVI مربوط به سال 1998 بین 85/.- تا 96/.+ بدست آمد که بیانگر این است که در سال 1988 در منطقه کبیر کوه نواحی دارای پوشش گیاهی بسیار خوب و تخریب شده نیز وجود داشته­اند. دامنه تغییر شاخص پوشش گیاهی NDVI مربوط به سال 2002 بین 50/.- تا 43/.+ می­باشد و بیانگرآنست که پوشش گیاهی از سال 1988 تا 2000 کاهش یافته و تخریب گردیده است. ثنایی نژاد و همکاران (28)؛ از شاخص­های مختلف پوشش گیاهی از جمله NDVI، GVI،SAVI ، EVI، DVI، VNIR،Leaf Water Content (Mid- IR-Index) برای مقایسه نقشه حاصل از طبقه­بندی تصاویر ماهواره­ای لندست ETM+ با روش حداکثر احتمال استقاده و نتایج نشان داد شاخص­های NDVI، GVI، Leaf Water Content (Mid- IR-Index) در تشخیص پوشش گیاهی کارایی بیشتری دارند. فرج اللهی و همکاران (14)؛ از تصاویر سنجنده­هایMSS ، ETM+ وOLI ماهواره لندست و اطلاعات جانبی منطقه، نقشه کاربری اراضی سال­های 1365، 1379 و 1393 بر اساس روش نظارت شده تهیه شد و نقشه کاربری اراضی سال 1407 با زنجیره مارکوف پیش­بینی گردید. نتایج تحقیق بیانگر کاهش مساحت جنگل متراکم در طی دوره­های مورد مطالعه و افزایش مساحت اراضی کشاورزی با گذر زمان می باشد. احمد (2)؛ با استفاده از روش تفاوت شاخص نرمال شده پوشش ­گیاهی (NDVI)، شاخص تبدیل پوشش گیاهی نرمال (TNDVI)، شاخص افزایش پوشش گیاهی (EVI) و شاخص پوشش­ گیاهی خاک (SAVI) و روش تفاضل تصاویر ماهواره­ای لندست ETM+ برای تشخیص تغییرات به­کار گرفته شد همچنین از پارامترهای فنولوژی پوشش گیاهی سری زمانی EVI/NDVI سنجنده ترا ماهواره مودیس برای منطقه مورد مطالعه استفاده گردید. راوت (24)؛ با استفاده از شاخص NDBI، NDVI و NDWI و روش طبقه­بندی نظارت شده حداکثر احتمال به بررسی تغییرات پوشش اراضی با استفاده از تکنیک­های سنجش از دور در شهر رمنگر در ایالت اوتاراکند هند پرداختند. نتایج نشان داد که در طول دو دهه گذشته، منطقه انسان ساخت و نوار شن و ماسه در منطقه شهر رمنگر به­ترتیب در حدود 88/8% و 98/3% افزایش یافته است در حالی­که سایر کاربری­های پوشش گیاهی، اراضی کشاورزی و آب به­ترتیب 41/9%، 69/0% و 76/2% کاهش یافته است.

محدوده مورد مطالعه

منطقه­ای به وسعت ­3240/726 کیلومتر مربع شامل بخش شرقی پارک ملی گلستان و منطقه حفاظت شده قرخود می­باشد. از نظر موقعیت جغرافیایی در زون 40 در طول جغرافیایی ﹰ72ˊ99◦55 تا ﹰ12ˊ67◦56 شرقی و عرض جغرافیایی ﹰ49ˊ28◦37 ت ا ﹰ38ˊ53◦37 شمالی قرار دارد (شکل 1). حداقل ارتفاع منطقه در 940 متر در بخش غربی منطقه و حداکثر ارتفاع منطقه 2780 متر در بخش مرکزی حوزه می­باشد. اقلیم منطقه با استفاده از روش آمبرژه طی بازه زمانی سی ساله سرد نیمه خشک برآورد شده است. متوسط دمای سالانه 13 درجه سانتیگراد و میانگین بارندگی 360 میلی­متر می­باشد (4و 17). در قسمت شرقی پارک ملی گلستان و منطقه حفاظت شده قرخود جوامع ارس قابل مشاهده می­باشند که سه گونه ارس Juniperus polycarpos، Juniperus excelsوJuniperus communisدر این مناطق شناسایی شده­اند (4 و 18).

 

 


  شکل 1. منطقه مورد مطالعه

 

 

 

 

                                     


مواد و روش­ها

داده­ها و ابزارهای مورد استفاده

به­منظور بررسی تغییرات شاخص­های پوشش گیاهی در سه سنجنده ماهواره لندست در منطقه مورد مطالعه نیاز به تصاویر ماهواره­ای می­باشد. در این مطالعه از 3 دوره تصویر شامل تصاویر ماهواره­ای Landsat مربوط به سنجنده­های TM، ETM+ و OLI در جدول 2، نقشه توپوگرافی 25000/1 سال 1392، عکس­های هوایی سال 1342 و نقشه­های تیپ و تراکم حاصل از پروژه ملی سازمان جنگل­ها و مراتع در سال 1392 استفاده گردید. از نرم­افزارهای ENVI5.1، Terrset18.1 وArcGIS10.2  استفاده شد.

 

 

 

 

 

 

 

 

 

جدول 2. مشخصات تصاویر مورد استفاده

ردیف

تاریخ میلادی

تاریخ هجری شمسی

سنجنده

ماهواره

تعداد باند

فرمت

1

16-Jun-1987

66/3/26

TM

L5

8

TIFF

2

03-May-2003

82/2/13

ETM+

L7

8

TIFF

3

29-Jun-2016

95/4/8

OLI

L8

11

TIFF

 


آماده سازی تصاویر مورد استفاده

پیش پردازش

در تصاویر ماهواره­ای اگر پرتوهای ثبت شده توسط سنجنده‌ها برابر با پرتو بازتاب شده از سطح زمین باشند بسیار مناسب خواهد بود. ولی متاسفانه پرتوهای‌های تابیده شده به سطح زمین (irradiance) و بازتاب‌شده از سطح زمین (radiance) تحت تاثیر عوامل ناخواسته مانند اتمسفر و توپوگرافی سطح زمین قرار می‌گیرند و استخراج اطلاعات کمی از پارامترهای فیزیکی و زیستی سطح زمین تحت عنوان متغیرهای زیست‌محیطی مانند شدت و جهت تغییرات سطح زمین و پیش‌بینی شرایط آینده بر اساس این یافته‌ها نیز تحت تاثیر اثرات نامطلوب اتمسفر و توپوگرافی می‌باشند.

 بنابراین، تصیح رادیومتریک اتمسفری و توپوگرافی به­عنوان یک پیش نیاز برای بازیابی متغیرهای سطح زمین ضروری می‌باشد. به­طور کلی دو روش برای تصحیح خطای اتمسفریک وجود دارد. 1.تصحیح اتمسفری مطلق 2. تصحیح اتمسفری نسبی (12).

متداول‌ترین روش بازیابی پرتو بازتاب شده ازسطح زمین تصیح رادیومتریک بر اساس مدل‌های فیزیکی است که می‌توان از الگوریتم ATCOR (Atmospheric Correction) در نرم افزار ERDAS Imagine  و FLAASH (Fast Line-of-sight Atmospheric Analysis of Spectral Hypercubes) در نرم افزار ENVI5.1 استفاده کرد. در این مقاله از روش FLAASH در نرم افزار ENVI5.1 استفاده گردید (19).

به­منظور تصحیح هندسی تصاویر ماهواره­ای، ابتدا تصویر OLI منطقه با 30 نقطه کنترل زمینی به نقشه توپوگرافی 1:25000 سال 1392 با روش نزدیکترین همسایه به سیستم مختصات UTM زمین مرجع شد. سپس تصویر ETM+  با 30 نقطه زمینی به تصویر OLI و تصویر TM با تصویر ETM+  زمین مرجع شدند. مقدار  RMSe (Root Mean Square) درتصاویر هر سنجنده به ترتیب 19/0، 19/0 و 11/0 شد و سپس تمامی تصاویر تصحیح شده مطابق با مرز بریده شد و آماده پردازش شدند.

طبقه­بندی تصاویر با استفاده از شاخص­های پوشش گیاهی و آنالیز مولفه­های اصلی

از آنجایی­که منطقه مورد مطالعه بیشتر از پوشش گیاهی تشکیل گردیده لذا جهت طبقه­بندی تصاویر از شاخص­های پوشش گیاهی استفاده گردید بنابراین با استفاده از نرم افزار TerrSet 18.11 سه شاخص پوشش گیاهی NDVI، EVI و SAVI برای سال­های 1366، 1382 و 1395ساخته شد و از طریق حد آستانه حداقل و حداکثر منطقه مورد مطالعه به 4 طبقه شامل پوشش گیاهی جنگل­های پهن برگ، ارس زار، اراضی مرتعی و مناطق بایر طبقه­بندی گردید. از آنجایی­که طبقه کشاورزی از سایر طبقات در شاخص­های پوشش گیاهی مورد بررسی  براحتی قابل جداسازی نمی­باشد، لذا از روش متراکم سازی اطلاعات که در تفسیر اطلاعات کمک کننده است مثل تجزیه مولفه اصلی استفاده می­شود. در این مطالعه مولفه­ی اصلی دوم بیشترین اطلاعات را جهت جداسازی اراضی کشاورزی دارا می­باشد و در این بررسی برای جداسازی اطلاعات پوشش اراضی کشاورزی از آن استفاده شد. سپس طبقه کشاورزی با سایر طبقات حاصل از شاخص­های پوشش گیاهی ترکیب و نقشه نهایی تهیه گردید.

نتایج و بحث

در سه شاخص پوشش گیاهی از طریق حد آستانه حداقل و حداکثر منطقه مورد مطالعه به 4 طبقه شامل شامل پوشش گیاهی جنگل­های پهن برگ، ارس زار، اراضی مرتعی و مناطق بایر طبقه­بندی گردید. ضرایب مربوط به هرکاربری در سه شاخص پوشش گیاهی براساس سنجنده­های لندست در جداول 3، 4 و 5 ذکر گردیده است.

 

 

جدول 3. ضرایب (حد آستانه حداقل و حداکثر ) کاربری­ها در سنجنده TM براساس شاخص­های­ پوشش گیاهی

شاخص

نام طبقه

ضریب شاخص برای هر طبقه

شاخص

نام طبقه

ضریب شاخص برای هر طبقه

شاخص

نام طبقه

ضریب شاخص برای هر طبقه

NDVI

پهن برگ

43/0- 82/0

EVI

پهن برگ

13/0- 47/0

SAVI

پهن برگ

22/0- 55/0

ارس زار

16/0- 26/0

ارس زار

008/0- - 06/0

ارس زار

017/0- - 10/0

مرتع

03/0- 12/0

مرتع

049/0- -05/0

مرتع

09/0- - 08/0

کشاورزی

02/0- 72/0

کشاورزی

24/0- - 47/0

کشاورزی

04/0- 54/0

بایر

02/0-- 026/0

بایر

06/0- -003/0

بایر

11/0- - 005/0

 

جدول 4. ضرایب (حد آستانه حداقل و حداکثر ) کاربری­ها در سنجنده­ ETM+ براساس شاخص­های­ پوشش گیاهی

شاخص

نام طبقه

ضریب شاخص برای هر طبقه

شاخص

نام طبقه

ضریب شاخص برای هر طبقه

شاخص

نام طبقه

ضریب شاخص برای هر طبقه

NDVI

پهن برگ

44/0- 83/0

EVI

پهن برگ

30/0- 84/0

SAVI

پهن برگ

40/0- 83/0

ارس زار

16/0- 35/0

ارس زار

09/0- 23/0

ارس زار

14/0- 33/0

مرتع

01/0- 10/0

مرتع

009/0 -06/0

مرتع

01/0 - 11/0

کشاورزی

02/0- 67/0

کشاورزی

017/0- 63/0

کشاورزی

032/0- 70/0

بایر

02/0-- 02/0

بایر

015/0- - 012/.

بایر

02/0- - 02/0

 

جدول 5. ضرایب (حد آستانه حداقل و حداکثر ) کاربری­ها در سنجنده­ OLI براساس شاخص­های­ پوشش گیاهی

شاخص

نام طبقه

ضریب شاخص برای هر طبقه

شاخص

نام طبقه

ضریب شاخص برای هر طبقه

شاخص

نام طبقه

ضریب شاخص برای هر طبقه

NDVI

پهن برگ

32/0- 80/0

EVI

پهن برگ

08/0- 03/1

SAVI

پهن برگ

07/0- 82/0

ارس زار

12/0- 23/0

ارس زار

09/0- 24/0

ارس زار

008/0- 24/0

مرتع

02/0- 08/0

مرتع

03/0- -04/0

مرتع

05/0- - 06/0

کشاورزی

11/0- 69/0

کشاورزی

03/0- 96/0

کشاورزی

06/0- 79/0

بایر

04/0- - 01/0

بایر

13/0- -005/0-

بایر

20/0- - 01/0-

 

 

همانطور که در جداول بالا قابل مشاهده است اراضی کشاورزی دارای حد آستانه مشترک با سایر طبقات بوده و قابل تمایز از سایر طبقات نمی­باشد. بنابراین براساس تجزیه مولفه اصلی این طبقه جدا و به سایر طبقات اضافه گردیده است. به­طوریکه در شکل­های 2، 3 و 4 نقشه طبقه بندی شده براساس سه شاخص پوشش گیاهی و مولفه­ی اصلی دوم قابل مشاهده است.

 

 

 

 

 

شکل 2. طبقه­بندی تصویر سنجنده TM سال 1366 براساس شاخص­های پوشش گیاهی (الف: NDVI، ب: EVI، ج: SAVI)

 

 

 

شکل 3. طبقه­بندی تصویر سنجنده ETM+ سال 1382 براساس شاخص­های پوشش گیاهی (الف: NDVI، ب: EVI، ج: SAVI)

 

 

شکل 4. طبقه­بندی تصویر سنجنده OLI سال 1395 براساس شاخص­های پوشش گیاهی (الف: NDVI، ب: EVI، ج: SAVI)


انتخاب بهترین شاخص پوشش گیاهی در هرسنجنده 

در این تحقیق قبل از اعمال شاخص های گیاهی مختلف بر روی تصاویر، اقدام به طبقه­بندی تصاویر ماهواره­ای گردید. در مرحله اول ابتدا در نرم افزار Terrset 18.1 و براساس شاخص فاکتور بهینه (OIF) تصاویر رنگی کاذب تهیه گردید (9)، از ترکیب باندهای طیفی 2، 3 و 4 در سنجنده TM و ETM+ و ترکیب باندهای طیفی 3، 4 و 5 در سنجنده OLI در تصویر کلاس­های مورد نظر مشخص و تعریف شدند. سپس با شناخت کلی تصویر و با استفاده از الگوریتم های مختلف پردازش تصویر هر یک از کلاس­ها در مراحل جداگانه و با استفاده از روش هیبرید (22 و 30)، شامل ترکیب روش-های طبقه­بندی نظارت نشده کلاستر و نظارت­شده شبکه عصبی مصنوعی پرسپترون چند لایه و آنالیز مولفه­های اصلی از یکدیگر تفکیک گردیدند (26). در نهایت 5 کلاس اصلی شامل جنگل­های پهن برگ، ارس زارها، اراضی مرتعی، اراضی کشاورزی و مناطق بایر برای هر سنجنده طبقه­بندی شدند (شکل 5).

 

 

 

شکل 5. نقشه کاربری اراضی سه سنجنده ماهوراه لندست (الف: TM، ب: ETM+ ، ج: OLI)

 

صحت نقشه­های بدست آمده با استفاده از 200 نقطه کنترل زمینی که برای سال 1395 با استفاده از تصاویر  Google earth و برای سال­های 1382 و 1366 با استفاده از تصویر رنگی کاذب همان سال­ها مورد بررسی قرار گرفت و هر سه نقشه از ضریب کاپا  و صحت کلی بالای 70% برخوردار بودند (جدول 6).

 

جدول 6. ضریب کاپا و صحت کلی نقشه کاربری اراضی هر سنجنده

سال مورد مطالعه

سنجنده

ضریب کاپا

صحت کلی

1366

TM

72/0

80/0

1382

ETM+ 

78/0

84/.

1395

OLI

87/0

90/0

 

 

همچنین جهت صحت نقشه­های بدست آمده از شاخص­های پوشش گیاهی هر سنجنده نیز از 200 نقطه کنترل زمینی استفاده گردید که برای سال 1395 از تصاویر  Google earth و برای سال­های 1382 و 1366 از تصویر رنگی کاذب همان سال­ها استفاده شد و نتایج بیانگر آن است که نقشه­های بدست آمده براساس شاخص ­های پوشش گیاهی هر سه سنجنده نیز از ضریب کاپا  و صحت کلی بالای 70% برخوردار بودند (جدول 7).

 

جدول 7. ضرایب کاپای و صحت کلی در تصاویر بدست آمده از شاخص­های­ پوشش گیاهی در هر سنجنده

سنجنده

شاخص پوشش گیاهی

ضریب کاپا

صحت کلی

سنجنده

شاخص پوشش گیاهی

ضریب کاپا

صحت کلی

سنجنده

شاخص پوشش گیاهی

ضریب کاپا

صحت کلی

TM

NDVI

79/0

84/0

ETM+

NDVI

81/0

88/0

OLI

NDVI

85/0

90/0

EVI

71/0

77/0

EVI

75/0

80/0

EVI

78/0

84/0

SAVI

73/0

80/0

SAVI

78/0

83/0

SAVI

81/0

87/0

 

 

جدول 7 بیانگر این موضوع است که ضریب کاپا و صحت کلی برای شاخص پوشش­گیاهی NDVI  نسبت به دو شاخص دیگر پوشش­گیاهی بالاتر می­باشد و همچنین ضریب کاپا و صحت کلی هر سه شاخص پوشش­گیاهی در سنجنده OLI بیشتر از دو سنجنده ETM+ و TM می­باشد.

جهت انتخاب شاخص­های پوشش گیاهی مناسب در هرسنجنده در تشخیص و جداسازی پوشش گیاهی از روش Cross-classification که برای مقایسه دو تصویر به­کار می­رود استفاده شد و با بررسی ضرایب کاپای بدست آمده از این روش که عددی بین 0 تا 1 می­باشد میزان شباهت تصویر طبقه بندی شده هر شاخص پوشش گیاهی  با تصویر کاربری اراضی بدست آمده در هرسنجنده مقایسه شد. هرچه ضریب کاپای بدست آمده به 1 نزدیکتر باشد بیانگر شباهت دو تصویر می­باشد (جدول 8).

 

جدول 8. ضرایب کاپای حاصل از روش  Cross-classification در تصاویر بدست آمده از هر شاخص­های­ پوشش گیاهی با نقشه کاربری اراضی هر سنجنده

 

سنجنده

شاخص پوشش گیاهی

ضریب کاپا

سنجنده

شاخص پوشش گیاهی

ضریب کاپا

سنجنده

شاخص پوشش گیاهی

ضریب کاپا

TM

NDVI

87/0

ETM+

NDVI

82/0

OLI

NDVI

87/0

EVI

70/0

EVI

71/0

EVI

69/0

SAVI

72/0

SAVI

79/0

SAVI

68/0

 

 

ضریب کاپا برای هر شاخص پوشش گیاهی در هرسنجنده بیانگر این موضوع است که شاخص پوشش گیاهی NDVI از قابلیت بالاتری نسبت به دو شاخص دیگر در طبقه­بندی پوشش گیاهی برخوردار بوده است. شاخص پوشش گیاهی SAVI در مقام دوم از نظر طبقه­بندی­پوشش گیاهی در سه سنجنده قرار می­گیرد.

آشکارسازی تغییرات سی ساله با استفاده از نقشه طبقه­بندی شده براساس شاخص پوشش گیاهی

روشهای مختلفی برای آشکارسازی تغییرات وجود دارد و فرضیه مهم در همه روش­های آشکارسازی تغییرات این است که ارزش پیکسل­ها از یک تاریخ به تاریخ بعد فرق می­کند و هر کدام تا حدودی متفاوت از روش­های دیگر تغییرات را آشکار می­کند (29). در این مرحله آشکارسازی تغییرات سی ساله ارس در منطقه مورد مطالعه با استفاده از روش مقایسه پس از طبقه­بندی که جزء معدود روش­های آشکارسازی تغییرات است و جهت تغییرات رخ داده در بین طبقات را به­خوبی نشان می­دهد انجام پذیرفت. بدین صورت که نقشه کاربری اراضی تولید شده در سال 1366 با سال 1382 مقایسه و نقشه سال 1382 با سال 1395 و سپس جهت بررسی کلی روند تغییرات سی ساله ارس نقشه سال­های 1366 با 1395 مقایسه گردیدند. مقایسه تصاویر سه سنجنده مربوط به سال­های 1366، 1382 و 1395 با استفاده از تکنیک مقایسه پس از طبقه­بندی نشان داد که از سال 1366 تا 1382 جنگل­های پهن برگ، ارس­زارها و اراضی مراتعی به ترتیب 45/90، 31/3461 و 71/3493 هکتار کاهش و اراضی کشاورزی دست نخورده باقی مانده و 47/7045 هکتار به اراضی بایر اضافه گردیده است. همچنین روند تغییرات از سال 1382 تا سال 1395 بدین صورت می­باشد که 51/426، 96/5691 و 86/112 هکتار به­ترتیب از جنگل­های پهن­برگ، ارس زارها و اراضی کشاورزی کاسته شده است، 35/1855 و 98/4375 هکتار به اراضی کشاورزی و بایر افزوده گردیده است. علت کاهش اراضی کشاورزی احتمالا به­دلیل کاهش جمعیت مناطق روستایی و رها شدن اراضی کشاورزی اتفاق افتاده باشد. از طرفی بیشترین کاهش مراتع در قسمت جنوبی منطقه مورد مطالعه و در مجاورت روستاها اتفاق افتاده که می­تواند علت آن چرای بیش از حد دام در این مناطق بوده باشد. به­طور کلی روند کاهشی پوشش گیاهی از سال 1366تاکنون مشاهده می­شود. 27/9153 هکتار از ارس­زارها در طی سی سال گذشته کاسته شده است که 43/9092 هکتار از آن به اراضی مرتعی و 84/60 هکتار آن به اراضی بایر تبدیل شده است. به­طور کلی بیشترین تبدیل کاهش پوشش پهن برگ و ارس تبدیل شدن به اراضی مرتعی و بایر بوده است.


نتیجه گیری

هدف از این تحقیق انتخاب شاخص‌ طیفی پوشش گیاهی مناسب برگرفته از سنجنده‌های مختلف در زمان‌های مختلف برای زیستگاه‌های کوهستانی ارس و آشکارسازی تغییرات سی ساله ارس با استفاده از روش مقایسه پس از طبقه­بندی در نقشه کاربری اراضی هر سنجنده می­باشد.

صحت نقشه­های کاربری اراضی با استفاده از روش طبقه­بندی هیبرید و همچنین نقشه­های بدست آمده با استفاده از شاخص­های پوشش گیاهی در هر سنجنده بیانگر آن است که  تمامی نقشه­های تولید شده از ضریب کاپا  و صحت کلی بالای 70% برخوردار بودند که بر اساس مطالعات انجام شده با تصاویر لندست برای پوشش جنگلی مطابقت دارد بطوریکه سلمان ماهینی و همکاران (27)؛ ضریب کاپای 68/69/. و صحت کلی 91/0 را برای طبقه­بندی مناطق جنگلی استان گلستان را با استفاده از روش طبقه­بندی حداکثر احتمال و تصویر ETM+ به دست آورد. فاطمی طلب و همکاران (13)؛ ضریب کاپای بالاتر از 90% را در روش شبکه عصبی و بالاتر از 80% را در روش حداکثر احتمال برای تهیه نقشه پوشش جنگل­های رودسر با تصاویر سنجنده ETM+ و OLI به­دست آوردند. احمدپور و همکاران (3)؛ نیز میزان ضریب کاپا را 68% و صحت کلی را 32/74% در طبقه­بندی پوشش گیاهی منطقه حفاظت شده گلول و سرانی در استان خراسان شمالی که غالب آن از درختان ارس و گونه­های مرتعی تشکیل شده است با روش حداکثر احتمال برای تصاویر سنجنده ETM+ ماهواره لندست به­دست آوردند. نتایج ضریب کاپای نقشه­های تولیدی بر اساس شاخص­های پوشش­گیاهی و مقایسه تصاویر شاخص­های پوشش گیاهی در هر سنجنده با نقشه کاربری اراضی آن بیانگر آن است که شاخص پوشش گیاهی NDVI در سه سنجنده بهتر از دو شاخص پوشش گیاهی دیگر بوده است. این موضوع با نتایج حاصل از تحقیقات وان بیک (32)، درویش و فائور (11) و مینگ لی (21) که شاخص پوشش گیاهی NDVI را بهترین شاخص در ارزیابی پوشش گیاهی بیان کردند مطابقت دارد. همچنین با نتایج مطالعه ثنایی نژاد و همکاران (28) که 20 شاخص­های پوشش گیاهی را مقایسه و بیان کردند کارایی شاخص پوشش گیاهی NDVI نسبت به سایرشاخص­ها در تشخیص پوشش گیاهی بیشتر است مطابقت دارد. در این تحقیق SAVI در مقام دوم قرار می­گیرد که نسبت به EVI خطای کمتری در طبقه­بندی پوشش اراضی دارد. بنابراین در این تحقیق شاخص SAVI و EVI در رتبه بعدی قرار می­گیرند.

با مقایسه تصاویر سه سنجنده مربوط به سالهای 1366، 1382 و 1395 با استفاده از تکنیک مقایسه پس از طبقه­بندی نشان داد که از سال 1366 تا 1382 پوشش گیاهی پهن برگ، ارس و مراتع کاهش و اراضی کشاورزی دست نخورده باقی مانده و مساحت اراضی بایر افزایش یافته است.  همچنین روند تغییرات از سال 1382 تا سال 1395 بیانگر کاهش پوشش گیاهی پهن برگ، ارس، مراتع و اراضی کشاورزی و افزایش 5/11421 هکتاری اراضی بایر بوده است. به­طور کلی روند کاهشی پوشش گیاهی از سال 1366 تاکنون مشاهده می شود و 54 درصد از مساحت  ارس زارها طی سی سال گذشته کاسته شده است. بنابراین با توجه به این موضوع بر لزوم استفاده از تدابیر حفاظتی گونه با ارزش ارس تاکید می­گردد. از طرفی از آنجاییکه منطقه مورد مطالعه بخشی از البرز شرقی می­باشد و با توجه به پراکنش گونه ارس در این منطقه استفاده از شاخص پوشش گیاهی NDVI نسبت به سایر شاخص­ها در مناطقی که ارس متراکم دارند و استفاده از شاخص پوشش­گیاهی SAVI در مناطقی که ارس به­صورت پراکنده می­باشد می­تواند مورد استفاده قرار گیرد.

 

 

 

 

 

 

 

 

 

 

 

 

 

References:

1. Adamchuk, V.I., Perk, R.L, & Schepers, J. S, 2003. Applications of remote sensing in site-specific management, University of Nebraska Cooperative Extension Publication EC, (2003): 03-702.

2. Ahmad, F., 2012. Detection of change in vegetation cover using multi-spectral and multi-temporal information for district Sargodha, Pakistan, Sociedade & Natureza, 24 (3): 557-571.

3. Ahmadpour, A., Soleimani, K, Shokri, M, & ghorbani, J, 2014. Comparison of the Efficiency of Three Common Methods of Satelliteized Satellite Monitoring in the Vegetation Study, Remote Sensing and Geographic Information System in Natural Resources, 5 (34): 77-89.

4. Akhani, h., 2004. Illustrated Flora Golestan National Park, Tehran Publishing and Printing Institute, 201 p.

5. Alavi Panah, S., 2013. Application of Remote Sensing in Earth Sciences (Soil Science), Fourth Edition, Tehran University Press, 500 p.

6. Ali Ahmad Khoruri, S., & Khoshnevis, M, 2000. Ecological and Ecological Studies of Iranian Ors of Iran, Research Institute for Forests and Rangelands, 208 p.

7. Arkhi, s., Graiy, p, & Erkhi, M, 2008. Evaluation of  Land Use Change Process in Kabir Kouh Protected Area Using RS and GIS (Case Study: Ilam Province), Geomatics Conference 87, Iran Mapping Organization, Tehran. 10

8. Azizi Qalati, S., Rangraz, k, Taghizadeh, A, & Ahmadi, Sh, 2014. Modeling Land Use Change Using Logistic Regression Method in LCM Model (Case Study: Kohmareh Sorkhi Area of Fars province, Journal of Pistaciatics and Forestry Research, 22 (4): 596-585.

9. Bodily, J, 2004. portocol development at golden spike national historic site for soil survey updates, Applied remote senseing.

10. Chan, Z.O., & Elvidage, C.D, 1999. Vegatatio detection using high spectral resolution vegetation index, Remote sensing change detection Enviromental monitoring method and application, Sleeping bear press, INC.20.

11. Darwish, T., & Faour, G, 2008. Rangeland degradation in two watersheds of Lebnon. Lebanese Journal of Sci. 9: 71-80.

12. Esfandiari, A., Fattahi Moghadam, M, & Rangraz, k, 2016. Atmospheric Correction of Spectrometer Images and Empirical Line Calibration, National Conference on Geoinformatics, May-April 1395.

13. Fatemi Talab, S.R., Maadani Pour Kermanshahi, M, & Hashemi, S.A, 2015. Estimation of Roudsar Forest Coverage by Using Artificial Neural Network Classification and Maximum Likelihood, Remote Sensing and Geographic Information System in Natural Resources, 6 (2): 33-44.

14. Farajollahi, A., Asgari, H, Onagh, M, & Salman Mahini, A.R, 2015. Remote Sensing and Geographic Information System in Natural Resources, 6 (4): 1-14.

15. Huete, A., 1998. A soil- Adjusted Vegetation Index (SAVI), Remote Sensing of Enviroment, 25: 295-309.

16. Huete, A., 2002. Remote Sensing for Natural Resources Management and Enviromental Monitoring: Manual of remote sensing 3 ed, Vol 4, Univercity of Arizona.

17. Keshtkar, H., 2007. Investigating IRS-1D Satellite Capability for Land Cover Mapping (Study Area: Ghorkhod Protected Area in North Khorasan Province), Master's Degree, Faculty of Natural Resources, University of Tehran, 141 p.

18. Keshtkar, H., Yeganeh, H, & Jabar Zare, A, 2011. Fluorescence and biological forms of plants in the protected area of Ghorkhod, Iranian Journal of Biology, 24 (3): 421-431.

19. Luo, J., Li,  X, Ma, R, Li, F, Duan, H, Hu, W, & Huang, W, 2016. Applying remote sensing techniques to monitoring seasonal and interannual changes of aquatic vegetation in Taihu Lake, China, Ecological Indicators, 60: 503-513.

20. Matsushita, B., Wei, Y, Jin, C, Yuyichi, O, & Guoyn, Q, 2007. Sensitivity of the Enhanced Vegetation Index (EVI) and Normalized Difference Vegetation Index (NDVI) to topographic effects: A case study in high-density Cypress forest, Sensors, www.mdpi.org/sensors.

21. Ming Lee, T., & Chung Yeh, H, 2009. Applying remote sensing techniques to monitor shifting wetland vegetation: A case study of Danshui River estuary mangrove communities, Taiwan. Ecological Engineering, 35:487-496.

22. Omo-Irabor, O.O., & Oduyemi, K, 2007. A hybrid image classification approach for the systematic analysis of land cover (LC) changes in the Niger Delta region. In Proceedings of the I5th International Symposium on Spatial Data Quality, Enschede, The Netherlands.

23. Pettorelli, N., Vik, J.O, Mysterud, A, Gaillard, J.M, Tucker, C.J, & Stenseth, N.C, 2005. Using the satellite –derived NDVI to assess ecological responses to environmental change.J, Trends in ecology and evolution. Vol.٢٠ No.٩.

24. Rawat, J.S., Biswas, V, & Kumar, M, 2013. Changes in land use/cover using geospatial techniques: A case study of Ramnagar town area, district Nainital, Uttarakhand, India, The Egyptian Journal of Remote Sensing and Space Science, 16 (2013): 111-117.

25. Rouse, J.W., Haas, R.H, Schell, J.A, & Deerin, D.W, 1973. Monitoring vegetation systems in the great plains with ERTS. N. SP-351. Ed Third ERTS Symposium. 1,309-317. Whastington. NASA.

26. Sabin, F.F., 1996. Remote sensing: Principal and interpretation 3rd Ed, W.H.Freman and company,New York, 494pp.

27. Salman Mahini, A., Nadali, A, Feghhi, J, & Riazi, B, 2012. Classification of  Forest Areas in Golestan Province Using Maximum Likelihood Method Using ETM + Satellite Images 2001, Environmental Sciences and Technology, 14 (3): 47-56.

28. Sannie Nejad, S.C., Astarai, A, Mirhosseini, P, Keshavarzi, A, & Ghaemi, M, 2008. Using Satellite Images for Vegetation Studies (Comparison of Different Vegetation Indices - Case Study of Neishabour Area), National Congress of Agricultural Machinery and Mechanization, Ferdowsi University of Mashhad.

29. Tasviri,  M.R., 1998. Representation of user and vegetation changes in Kashan's desert region using remote sensing data analysis, Faculty of Humanities, Tarbiat Modares University.

30. Tommervik, H., Hogda, K.A, &  Solheim, I, 2003. Monitoring vegetation changes in Pasvik (Norway) and Pechenga in Kola Peninsula (Russia) using multitemporal Landsat MSS/TM data, Remote Sensing of Environment, 85(3): 370-388.

31. Vaogen, T.G., 2006. Remote sensing of complex land use change trajectoriesa: case study from the hilghlands of Madagascar, Agriculture, Ecosystems and Enviroment, 115: 219-228.

32. Van Beek, E., & Meijer, K, 2006. Integrated water resources management for the sistan closed inland delta. Water research institute, Iran.

 



[1] - دانش­آموخته کارشناسی ارشد محیط زیست، دانشکده منابع طبیعی و علوم دریایی دانشگاه تربیت مدرس.

[2] - نویسنده مسئول: استادیار، گروه محیط زیست، دانشکده منابع طبیعی و علوم دریایی،‌ دانشگاه تربیت مدرس.

Email: Samereh.falahatkar@modares.ac.ir

[3] - دکتری سنجش از دور دانشگاه ساتامپتن، مدرس دانشگاه تربیت مدرس

 

 
 
 
 
 
 
 
References:
1. Adamchuk, V.I., Perk, R.L, & Schepers, J. S, 2003. Applications of remote sensing in site-specific management, University of Nebraska Cooperative Extension Publication EC, (2003): 03-702.
2. Ahmad, F., 2012. Detection of change in vegetation cover using multi-spectral and multi-temporal information for district Sargodha, Pakistan, Sociedade & Natureza, 24 (3): 557-571.
3. Ahmadpour, A., Soleimani, K, Shokri, M, & ghorbani, J, 2014. Comparison of the Efficiency of Three Common Methods of Satelliteized Satellite Monitoring in the Vegetation Study, Remote Sensing and Geographic Information System in Natural Resources, 5 (34): 77-89.
4. Akhani, h., 2004. Illustrated Flora Golestan National Park, Tehran Publishing and Printing Institute, 201 p.
5. Alavi Panah, S., 2013. Application of Remote Sensing in Earth Sciences (Soil Science), Fourth Edition, Tehran University Press, 500 p.
6. Ali Ahmad Khoruri, S., & Khoshnevis, M, 2000. Ecological and Ecological Studies of Iranian Ors of Iran, Research Institute for Forests and Rangelands, 208 p.
7. Arkhi, s., Graiy, p, & Erkhi, M, 2008. Evaluation of  Land Use Change Process in Kabir Kouh Protected Area Using RS and GIS (Case Study: Ilam Province), Geomatics Conference 87, Iran Mapping Organization, Tehran. 10
8. Azizi Qalati, S., Rangraz, k, Taghizadeh, A, & Ahmadi, Sh, 2014. Modeling Land Use Change Using Logistic Regression Method in LCM Model (Case Study: Kohmareh Sorkhi Area of Fars province, Journal of Pistaciatics and Forestry Research, 22 (4): 596-585.
9. Bodily, J, 2004. portocol development at golden spike national historic site for soil survey updates, Applied remote senseing.
10. Chan, Z.O., & Elvidage, C.D, 1999. Vegatatio detection using high spectral resolution vegetation index, Remote sensing change detection Enviromental monitoring method and application, Sleeping bear press, INC.20.
11. Darwish, T., & Faour, G, 2008. Rangeland degradation in two watersheds of Lebnon. Lebanese Journal of Sci. 9: 71-80.
12. Esfandiari, A., Fattahi Moghadam, M, & Rangraz, k, 2016. Atmospheric Correction of Spectrometer Images and Empirical Line Calibration, National Conference on Geoinformatics, May-April 1395.
13. Fatemi Talab, S.R., Maadani Pour Kermanshahi, M, & Hashemi, S.A, 2015. Estimation of Roudsar Forest Coverage by Using Artificial Neural Network Classification and Maximum Likelihood, Remote Sensing and Geographic Information System in Natural Resources, 6 (2): 33-44.
14. Farajollahi, A., Asgari, H, Onagh, M, & Salman Mahini, A.R, 2015. Remote Sensing and Geographic Information System in Natural Resources, 6 (4): 1-14.
15. Huete, A., 1998. A soil- Adjusted Vegetation Index (SAVI), Remote Sensing of Enviroment, 25: 295-309.
16. Huete, A., 2002. Remote Sensing for Natural Resources Management and Enviromental Monitoring: Manual of remote sensing 3 ed, Vol 4, Univercity of Arizona.
17. Keshtkar, H., 2007. Investigating IRS-1D Satellite Capability for Land Cover Mapping (Study Area: Ghorkhod Protected Area in North Khorasan Province), Master's Degree, Faculty of Natural Resources, University of Tehran, 141 p.
18. Keshtkar, H., Yeganeh, H, & Jabar Zare, A, 2011. Fluorescence and biological forms of plants in the protected area of Ghorkhod, Iranian Journal of Biology, 24 (3): 421-431.
19. Luo, J., Li,  X, Ma, R, Li, F, Duan, H, Hu, W, & Huang, W, 2016. Applying remote sensing techniques to monitoring seasonal and interannual changes of aquatic vegetation in Taihu Lake, China, Ecological Indicators, 60: 503-513.
20. Matsushita, B., Wei, Y, Jin, C, Yuyichi, O, & Guoyn, Q, 2007. Sensitivity of the Enhanced Vegetation Index (EVI) and Normalized Difference Vegetation Index (NDVI) to topographic effects: A case study in high-density Cypress forest, Sensors, www.mdpi.org/sensors.
21. Ming Lee, T., & Chung Yeh, H, 2009. Applying remote sensing techniques to monitor shifting wetland vegetation: A case study of Danshui River estuary mangrove communities, Taiwan. Ecological Engineering, 35:487-496.
22. Omo-Irabor, O.O., & Oduyemi, K, 2007. A hybrid image classification approach for the systematic analysis of land cover (LC) changes in the Niger Delta region. In Proceedings of the I5th International Symposium on Spatial Data Quality, Enschede, The Netherlands.
23. Pettorelli, N., Vik, J.O, Mysterud, A, Gaillard, J.M, Tucker, C.J, & Stenseth, N.C, 2005. Using the satellite –derived NDVI to assess ecological responses to environmental change.J, Trends in ecology and evolution. Vol.٢٠ No.٩.
24. Rawat, J.S., Biswas, V, & Kumar, M, 2013. Changes in land use/cover using geospatial techniques: A case study of Ramnagar town area, district Nainital, Uttarakhand, India, The Egyptian Journal of Remote Sensing and Space Science, 16 (2013): 111-117.
25. Rouse, J.W., Haas, R.H, Schell, J.A, & Deerin, D.W, 1973. Monitoring vegetation systems in the great plains with ERTS. N. SP-351. Ed Third ERTS Symposium. 1,309-317. Whastington. NASA.
26. Sabin, F.F., 1996. Remote sensing: Principal and interpretation 3rd Ed, W.H.Freman and company,New York, 494pp.
27. Salman Mahini, A., Nadali, A, Feghhi, J, & Riazi, B, 2012. Classification of  Forest Areas in Golestan Province Using Maximum Likelihood Method Using ETM + Satellite Images 2001, Environmental Sciences and Technology, 14 (3): 47-56.
28. Sannie Nejad, S.C., Astarai, A, Mirhosseini, P, Keshavarzi, A, & Ghaemi, M, 2008. Using Satellite Images for Vegetation Studies (Comparison of Different Vegetation Indices - Case Study of Neishabour Area), National Congress of Agricultural Machinery and Mechanization, Ferdowsi University of Mashhad.
29. Tasviri,  M.R., 1998. Representation of user and vegetation changes in Kashan's desert region using remote sensing data analysis, Faculty of Humanities, Tarbiat Modares University.
30. Tommervik, H., Hogda, K.A, &  Solheim, I, 2003. Monitoring vegetation changes in Pasvik (Norway) and Pechenga in Kola Peninsula (Russia) using multitemporal Landsat MSS/TM data, Remote Sensing of Environment, 85(3): 370-388.
31. Vaogen, T.G., 2006. Remote sensing of complex land use change trajectoriesa: case study from the hilghlands of Madagascar, Agriculture, Ecosystems and Enviroment, 115: 219-228.
32. Van Beek, E., & Meijer, K, 2006. Integrated water resources management for the sistan closed inland delta. Water research institute, Iran.