ارزیابی و پیش‌‌‌‌بینی تغییرات پوشش گیاهی با استفاده از معیارهای سیمای سرزمین و مدل مارکوف (مطالعۀ موردی: شهرستان همدان)

نوع مقاله: مقاله پژوهشی

نویسندگان

1 استادیار محیط زیست، دانشکدة محیط زیست و منابع طبیعی، دانشگاه ملایر، ملایر، ایران

2 دانشجوی دکتری آمایش محیط زیست، دانشکدة محیط‌زیست و منابع طبیعی، دانشگاه ملایر، ملایر، ایران

چکیده

     تخریب سیمای سرزمین، تغییر پوشش گیاهی و تغییر کاربری مواردی هستند که به‌‌طور مداوم بر محیط‌‌زیست کشور فشار وارد می‌‌کنند، بنابراین نقشه‌‌‌‌‌‌هایپوششگیاهی،درتولیداطلاعاتدرجهتبرنامه‌‌‌‌ریزی‌‌‌‌هایشهری نقش مهمی دارند.در این پژوهش به‌‌منظور تهیه نقشه‌‌‌‌هایپوششگیاهیشهرستان همدان ازاطلاعاتماهوارۀلندست سنجنده‌‌‌‌های ETM+و OLIاستفاده و مقدار شاخص NDVIمحاسبه شد.NDVIیکیازپرکاربردترینشاخص‌‌‌‌‌‌هابرایپایش تغییراتپوششگیاهیاست، کهاز‌‌طریقنسبت‌‌گیریباندهای قرمزومادونقرمزِنزدیکبه‌‌دستمی‌‌‌‌آید. بدین منظور برایبررسیتغییراتکیفی پوششگیاهی،مقادیرعددیاینشاخصبه 4کلاسمختلفسرسبزی شامل اراضی با پوشش عالی، پوشش بسیار خوب، پوشش خوب و ضعیفطبقه‌‌‌‌بندیشد و برای آشکارسازی تغییرات، نقشه‌‌‌‌های طبقه‌‌‌‌بندی‌‌شده وارد مدل LCMشدند. سپس تحلیل تغییرات سیمای سرزمین صورت گرفت که بدین منظور تعداد 5 سنجه در سطح کلاس و 6 سنجه در سطح سیمای سرزمین مورد محاسبه قرار گرفت. پیش‌‌‌‌بینی تغییرات پوشش گیاهی در 15 سال آینده با زنجیرۀ مارکوف انجام شد.
  تجزیه‌‌و‌‌تحلیل سنجه‌‌های سیمای سرزمین حاکی از آن است که سطح پوشش بسیار خوب از 12 درصد در سال 1380، به 21 درصد در سال 1395 رسیده است. همچنین اراضی با پوشش خوب که به‌‌عنوان پوشش گیاهی طبیعی آن به‌‌شمار می‌‌رود، در دورۀ زمانی مشابه کاهش یافته است. نتایجحاصلازسنجۀ تنوع شانون در سطح سیمای سرزمین نشان می‌‌‌‌دهد که مقادیرمربوطبهتنوعلکه‌‌‌‌ها در سطحشهرستان بالاترازیک است،کهبیانگر تنوعوفراوانی بالاو سیمایسرزمین بسیارمتنوع در شهرستان است. نتایج پیش‌‌‌‌‌‌بینی نشان می‌‌‌‌دهد که بیشترین احتمال تخریب تا افق 1410 در اراضی با پوشش عالی (8329/0) خواهد بود. همچنینتخریب اراضی باپوشش خوب بهاراضیبادرجۀسرسبزی ضعیفبیشتریناحتمال(3581/0) تغییر را در آینده دارد. یافته‌‌های این تحقیق بر لزوم توجه بیشتر به بهره‌‌برداری پایدار از سرزمین و جلوگیری از تخریب آن در این شهرستان تأکید دارد.

کلیدواژه‌ها


عنوان مقاله [English]

Evaluation and Prediction of Changes in Vegetation Using Landscape Metrics and Markov Model (Case Study: Hamadan)

نویسندگان [English]

  • kamran Shayesteh 1
  • fatemeh mohammadyary 2
چکیده [English]

Landscape degradation and land use / land cover changes are constantly putting pressure on the environment of the country. Therefore, vegetation maps are very important in the production of information for urban planning. In this study, vegetation maps of Hamadan were prepared based on data obtained from Landsat ETM+ and OLI sensors, and then NDVI index value was calculated. NDVI is one of the most widely used indicators for monitoring vegetation changes, Which is achieved by red and infrared banding. In order to investigate qualitative changes in vegetation greenness, the numerical values of these index were categorized to 4 different classes of lands with excellent, very good, good and poor vegetation, and were applied to detect changes in classified maps using LCM model. Then in order to analyze landscape changes, 5 different metrics in class level, and 6 different ones in landscape level were considered. Predicting changes in vegetation cover in the next 15 years was done with Markov chain. Analysis of landscape metrics indicates that very good coverage declined from 12 percent in 2001 to 21 percent in 2016. Good vegetation cover, regarded as natural vegetation was also declined in the same period. Results obtained from Shannon diversity index in the landscape level, shows the values higher than one in the study area, which indicates high rate of diversity in the Hamadan landscape. Predicted results indicate that the most likely damage up to horizon of 2031, would take place on lands with excellent coverage (0.8329).

کلیدواژه‌ها [English]

  • Markov chain
  • Landscape ecology
  • Vegetation
  • Change Detection
  • Hamedan city

جعفری، علی؛ زهرا آرمان (1393). پایش تغییرات پوشش گیاهی منطقۀ حفاظت‌‌شدۀ جنگلی هلن و دلایل آن براساس تحلیل دو زمانۀ NDVI، مجلۀ محیط زیست طبیعی- منابع طبیعی ایران، 67 (4): صفحات 402-391.

سرودی، مونا؛ سیدعلی جوزی (1391). پیش‌‌‌‌بینی تغییرات پوشش گیاهی با استفاده از مدل مارکوف (مطالعة موردی: منطقۀ 4 شهرداری تهران)، مجلۀ کاربرد سنجش از دور وGIS  در علوم منابع طبیعی، 2 (2): صفحات 95-83.

خزاعی، نوشین؛ فرود آذری دهکردی (1388). سامانۀ پشتوانۀ تصمیم‌‌‌‌گیری سریع برای ارزیابی پیامدهای فعالیت‌‌ها در تخریب سیمای سرزمین حوزۀ آبخیز شفارود، مجلۀ محیط‌‌شناسی. 35 (51): صفحات 80-69.

علوی‌‌پناه، سیدکاظم؛ امیر‌‌هوشنگ احسانی؛ حمیدرضا متین‌‌‌‌فر؛ عمار رفیعی؛ عمار رفیعی‌‌امام؛ رضا امیری (1387). مقایسۀ محتوای اطلاعاتی سنجنده‌‌‌‌های TM و ETM+ در محیط‌‌‌‌های بیابانی و شهری ایران، پژوهش‌‌‌‌های جغرافیا. 47. صفحات 64-56.

فاطمی، سید باقر؛ یوسف رضایی (1391). مبانی سنجش از دور، انتشارات آزاده.

محمدیاری، فاطمه (1394). مدل‌‌‌‌سازی تغییرات کاربری اراضی با تکنیک‌‌‌‌های سنجش از دور و سامانۀ اطلاعات جغرافیایی (مطالعۀ موردی: شهرستان بهبهان)، پایان‌‌نامۀ کارشناسی ارشد. دانشگاه صنعتی خاتم‌‌الانبیاء بهبهان.

محمدیاری، فاطمه؛ حمیدرضا پورخباز؛ مرتضی توکلی؛ حسین اقدر (1393). تهیه نقشۀ پوشش گیاهی و پایش تغییرات آن با استفاده از تکنیک‌‌‌‌های سنجش از دور و سامانۀ اطلاعات جغرافیایی (مطالعۀ موردی: شهرستان بهبهان)،فصلنامۀ اطلاعات‌جغرافیایی (سپهر)صفحات 34-23.

هاشمی، سیدمحمود؛ سید کاظم علوی‌‌پناه؛ مرتضی دیناروندی (1392). ارزیابی توزیع مکانی دمای سطح زمین در محیط زیست شهری با کاربرد سنجش از دور حرارتی، مجلۀ محیط‌‌شناسی، 39 (1): 99-81.

Aburas, M., Abdullah, S., Ramli, M., Ash'aari, Z (2015). Measuring land cover change in Seremban, Malaysia using NDVI index, Procedia Environmental Sciences 30: 238-243.

Alberti, M., Marzluff, J (2004). Resilience in urban ecosystems: Linking urban patterns to human and ecological

Batistella, M., Robeson, S., Moran, E. F (2003). Settlement design, forest fragmentation, and landscape change in Rondônia, Amazônia. Photogram. Eng. Rem. S. 69 (7), 805–812.

Begue, A., Vintrou, E., Ruelland, D., Claden, M., Dessay, N (2011). Can a 25-year trend in Soudano-Sahelian vegetation dynamics be interpreted in terms of land use change? A remote sensing approach. Glob. Environ. Chang. 21, 413-420.

Blaes, X., Chomé, G., Lambert, M.-J., Traoré, P., Schut, A., Defourny, P (2016). Quantifying fertilizer application response variability with VHR satellite NDVI time series in a rain-fed smallholder cropping system of Mali. Remote Sens. 8, 531.

Coppin, P., Jonckheere, I., Nackaerts, K., Muys, B (2004). Digital change detection methods in ecosystem monitoring: a review, Int. J. Remote Sensing, 9: 1565–1596.                                       

Davies, k., Murphy, R., Bruce, E (2016). Detecting historical changes to vegetation in a Cambodian protected area using the Landsat TM and ETM+ sensors Remote Sensing of Environment. 187: 332-344

Dewan, A. M., Yamaguchi, Y (2009). Land use and land cover change in Greater Dhaka, Bangladesh: Using remote sensing to promote sustainable urbanization, Applied Geography, 29: 390-401.

Dorner, B., Lertzman, K., Fall, J (2002). Landscape pattern in topographically complex landscapes: issues and techniques for analysis. Landscape Ecol. 17, 729-743.

Dramestad, W.E., Olson, J.D., Forman, R.T (1996). Landscape ecology principles in land- use planning. Harvard University Graduate School of Design and Island press and American Society of Landscape Architecture, 80pp.

Dutta, D., Kundu, A., Patel, N.R., Saha, S.K., Siddiqui, A.R (2015). Assessment of agricultural drought in Rajasthan (India) using remote sensing derived vegetation condition index (VCI) and standardized precipitation index (SPI). The Egyptian Journal of Remote Sensing and Space Science 18, 53-63.

Eastman, J. R (2006). Instruction to remote sensing. The Guilford press.                                          

Eastman, J. R (2012). IDRISI Selva. Clark-Labs, Clark University, Worcester, MA. Geneletti, D. 2012. Assessing the impact of alternative land-use zoning policies onfuture ecosystem services. Environ. Impact Assess. Rev. 40, 2-35.

Fan, F., Wang, Q., Wang, Y (2007). land use and land cover change in Guangzhou, Chaina, from 1998 to 2003, based on land sat TM/ETM+ imagery. Sensors, 7: 1323-1342.

Farina, A (1998). Principles and Methods in Landscape Ecology. Chapman and Hall. London. 235pp.

Farina, A (2006). Principles and Methods in Landscape Ecology. Springer, Dordrecht, The Netherlands

Frohn, R. C (1998). Remote Sensing for Landscape Ecology: New Metric Indicators for Monitoring Modeling and Assessment of Ecosystems. LewisPublishers,Boca Raton,FL,P.99.

Gascon, M., Cirach, M., Martínez, D., Dadvand, P., Valentín, A., Plasència, A., Nieuwenhuijsen, M (2016). Normalized difference vegetation index (NDVI) as a marker of surrounding greenness in epidemiological studies: The case of Barcelona city, Urban Forestry & Urban Greening, 19:88-94.

Gascon, M., Triguero-Mas, M., Martínez, D., Dadvand, P., Forns, J., Plasència, A., Nieuwenhuijsen, M (2015). Mental health benefits of long-term exposure to residential green and blue spaces: a systematic review. Int. J. Environ. Res. Public Health 12, 4354-4379.

Gontier, M., Mörtberg, U., Balfors, B (2009). Comparing GIS-based habitat models for applications in EIA and SEA. Environmental Impact Assessment Review, 30: 8-18.

Gustafson, E. J. 1998. Quantifying landscape spatial pattern: What is the state of the art. Ecosystems.: 143-156.

Hadjimitsis, D.G., Papadavid, G., Agapiou, A., Themistocleous, K., Hadjimitsis, M.G., Retalis, A., Michaelides, S., Chrysoulakis, N., Toulios, L., Clayton C. R. I (2010).  Atmospheric correction for satellite remotely sensed data intended for agricultural applications: impact on vegetation indices. Natural Hazards and Earth System Sciences, 10: 89-95.

Ivits, E., Koch, B., Blaschke, T., Jochum, M., Adler, P (2005). Landscape structure assessment with image grey-values and object-based classification at three spatial resolutions. Int. J. Remote Sens. 26 (14), 2975-2993.

James, P., Banay, R.F., Hart, J.E., Laden, F (2015). A review of the health benefits of greenness. Curr. Epidemiol. Rep. 2, 131–142.

Jensen, J. R., Cowen, D.C (1999). Remote Sensing of Urban/ Suburban infrastructure and Socio-Economic Attributes. Photogrammetric Engineering and Remote Sensing, 5: 611-622

Lachowycz, K., Jones, A.P (2014). Does walking explain associations between access to green space & lower mortality? Soc. Sci.Med.107,9-17.

Lanorte, A., Lasaponara, R., Lovallo, M., Telesca, L (2014). Fisher–Shannon information plane analysis of SPOT/VEGETATION normalized difference vegetation index (NDVI) time series to characterize vegetation recovery after fire disturbance. Int. J. Appl. Earth Obs. Geoinf. 26, 441-446.

Leitao, A.B., Miller, I., Ahern, J., McGrigal, K (2006). Measuring landscapes: A planners Handbook. Washington D.C: Island press 250 pp.

Li, H., Wu, J (2004). Use and misuse of landscape indices. Landscape Ecol. 19, 389–399.

Lu, D, Mausel, P, Brondi´zio, E, Moran, E (2004). Change detection techniques. International Journal of Remote Sensing, 25: 2365-2407.

McGarigal K., Cushman S.A., Neel M.C., Ene E (2002). FRAGSTATS: Spatial pattern analysis program for Categorical Maps. Computer software program produced by the authors at the University of Massachusetts, Amherst.

www.umass.edu/landeco/research/fragstats.html

Mulmi, P., Block, S.A., Shively, G.E., Masters, W.A (2016). Climatic conditions and child height: sex-specific vulnerability and the protective effects of sanitation and food markets in Nepal. Econ. Hum. Biol. 23, 63-75.

Mas, J. F., Flores, J. J (2008). The application of artificial neural networks to the analysis of remotely sensed data(review article). International Journal of Remote Sensing, 29: 617-663.

Nouri, H., Anderson, SH., Sutton, P., Beecham, S., Nagler, P., Jarchow, J., Dar, R (2017). NDVI, scale invariance and the modifiable areal unit problem: An assessment of vegetation in the Adelaide Parklands, Science of the Total Environment. 585: 11-18.

Ridd, M. K., Liu, J (1998). A Comparison of Four Algorithms for Change Detection in an Urban Environment, Remote Sens. Environ, 63: 95–100.                                                                                    

Pereira, G., Foster, S., Martin, K., Christian, H., Boruff, B.J., Knuiman, M., Giles-Corti, B (2012). The association between neighborhood greenness and cardiovascular disease: an observational study. BMC Public Health 12, 466.

Pettorelli, N., Vik, O., Mysterud. A., Gaillard. J. M., Tucker, C. J., Stenseth, N, C (2005). Using the satellite –derived NDVI to assess ecological responses to environmental Journal Trends in Ecology and Evolution 20 (9): 503-510.

Petropoulos, G. P., Griffiths, H. M., Kalivas, D. P (2014) Quantifying spatial and temporal vegetation recovery dynamics following a wildfire event in a Mediterranean landscape using EO data and GIS. Applied Geography, 50: 120-131. http://dx.doi.org/10.1016/j.apgeog.2014.02.006.

Piao, S., Fang, J., Zhou, L., Ciais, P., Zhu, B (2006). Variations in satellite-derived phenology in China’s temperate vegetation. Glob. Change Biol. 12, 672-685.

Piao, S., Wang, X., Ciais, P., Zhu, B., Wang, T., Liu, J (2011). Changes in satellite-derived vegetation growth trend in temperate and boreal Eurasia from 1982 to 2006. Global Change Biol. 17, 3228-3239.

Rouse, J. W., Haas, R. H., Schell, J. A., Deering, D.W (1973). Monitoring vegetation systems in the great plains with ERTS. Third ERTS Symposium, NASA SP-351 I: 309-317.  

 Sanchez Flores, E. S., Yool, S, R (2007). Sensitivity of Change Vector Analysis to Land Covers Change in an Arid Ecosystem, International Journal of Remote Sensing, 28: 1069-1088.

Shen, M., Zhang, G., Cong, N., Wang, S., Kong, W., Piao, S (2014). Increasing altitudinal gradient of spring vegetation phenology during the last decade on the QinghaieTibetan Plateau. Agricultural &Forest Meteorology 189e190, 71e80.

Shen, M., Piao, S., Jeong, S.-J., Zhou, L., Zeng, Z., Ciaisf, P., Cheng, D., Huangc, M., Jinh, C. S., Li, L.Z.X., Li, Y., Myneni, R.B., Yang, K., Zhang, G., Zhang, Y., Yao, T (2015). Evaporative cooling over the Tibetan Plateau induced by vegetation growth. Proceedings of the National Academy of Sciences of the United States of America 112, 9299e9304.

Turner, M.G, Gardner, R.H., O’Neill, R.V (2001). Landscape Ecology in Theory and Practice. Springer Verlage, New York, USA, PP:93-134.

Tyagi, P., Bhosle, U (2011). Atmospheric Correction of Remotely Sensed Images in Spatial and Transform Domain. International Journal of Image Processing (IJIP), 5: 564-579.                                 

Václavík, T., Rogan, J (2009). Identifying trends in land Use/Land cover changes in the context of Post-Socialist Transformation in Central Europe. GIS Science and Remote Sensing, 49:1-32. Wagrowski, D. M., R. Hites, A (1997). Polycyclic aromatic hydrocarbon accumulation in urban, suburban and rurual vegetation, Environmental Science & Technology, 31, 1, 279-282.

Wang, X., Wang, Q., Yang, S., Zheng, D.,Wu, C.,Mannaerts, C.M (2011). Evaluating nitrogen removal by vegetation uptake using satellite image time series in riparian catchments. Sci. Total Environ. 409, 2567-2576.

Wen, Z., Wu, SH., Chen, J., Lü, M (2017). NDVI indicated long-term inter annual changes in vegetation activities and their responses to climatic and anthropogenic factors in the Three Gorges Reservoir Region, China, Science of the Total Environment 574: 947-959.

Weier, J., Herring, D (2015). NASA Earth Observatory

http://earthobservatory.nasa.gov/features/Measuring Vegetation/ (accessed 13.7.2015).

Wu, CH., Peng, D., Soudani, K., Siebicke, L., Gough, CH., Arain, M., Bohrer, G., Lafleur, P., Peichl, M., Gonsamo, A., Xu, SH., Fang, B., Ge, Q (2017). Land surface phenology derived from normalized difference vegetation index (NDVI) at global FLUXNET sites, Agricultural and Forest Meteorology 233:171-182

Xu, Y., Yang, J., Chen, Y (2015). NDVI-based vegetation responses to climate change in an arid area of China. Theoretical and Applied Climatology 1e10.

Yu, H., Luedeling, E., Xu, J (2010). Winter and spring warming result in delayed spring phenology on the Tibetan Plateau. Proceedings of the National Academy of Sciences 107, 22151e22156.

Yunkai, G., Fan, Z (2012). Atmospheric correction comparison of SPOT-5 image based on model Flash and model QUAC. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XXXIX-B7:7-11.

Zhang, Z., Van Coillie, F., De Clercq, E., Ou. X., De Wulf, R (2013). Mountain vegetation change quantification using surface landscape metrics in Lancang watershed, China, Ecological Indicators 31: 49-58

Zhang, X., Tan, B., Yu, Y (2014). Inter annual variations and trends in global land surface phenology derived from enhanced vegetation index during 1982–2010. Int. J. Bioclimatol. 58, 547-564.

30.

Jaiswal, R.K., Ghosh, N.C., Galkate, R.V. and Thomas, T. (2015). Multi Criteria Decision Analysis (MCDA) for watershed Prioritization. Aquatic Procedia 4, 1553-1560.

Javed, A.; Mohd Yousuf, K. & Rizwan, A (2009). Prioritization of Sub-watersheds based on Morphometric and LandUse Analysis using Remote Sensing and GIS Techniques, J. Indian Soc. Remote Sense, 37: 261- 274.

Mishra, S & Nagarajan, R (2010). Morphometric analysis and prioritization of sub-watersheds using GIS and Remote sensing techniques: a case study of odisha, India, International Journal of Geomatics and Geoscience, 3: 501-510.