بررسی تاثیر متغیرهای اقلیمی بر شاخص های پوشش گیاهی ( مورد مطالعه باغات پرتقال حسن آباد داراب)
عنوان مقاله: بررسی تاثیر متغیرهای اقلیمی بر شاخص های پوشش گیاهی ( مورد مطالعه باغات پرتقال حسن آباد داراب)
شناسه ملی مقاله: JR_JGSKH-24-75_010
منتشر شده در در سال 1403
شناسه ملی مقاله: JR_JGSKH-24-75_010
منتشر شده در در سال 1403
مشخصات نویسندگان مقاله:
علی هاشمی - University of Esfahan
حجت الله یزدان پناه - University of Esfahan
مهدی مومنی شهرکی - University of Esfahan
خلاصه مقاله:
علی هاشمی - University of Esfahan
حجت الله یزدان پناه - University of Esfahan
مهدی مومنی شهرکی - University of Esfahan
متغیرهای اقلیمی مهم ترین عوامل تاثیرگذار 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 میباشد. بدین منظور دادههای مشاهداتی، شامل دادههای فنولوژی درخت پرتقال و دادههای هواشناسی در بازه زمانی ده ساله (۱۳۸۵ تا ۱۳۹۵) مربوط به ایستگاه هواشناسی کشاورزی حسن آباد داراب جمع آوری شده است. تصاویر سنجنده مودیس برای سال ۱۳۸۵ تا ۱۳۹۵ با توجه به دادههای زمینی و نقشههای ۱:۲۵۰۰۰ سازمان نقشه برداری زمین مرجع شدند. این تصاویر برای محاسبه شاخصهای 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 تاثیر مثبت معنی دار بر متغیر NDVI هستند. به علاوه متغیرهای حداکثر دما، حداقل رطوبت دارای تاثیر 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. یافتهها نشان داد که عناصر اقلیمی بارش، حداقل دما، حداکثر دما، حداقل رطوبت و حداکثر با مقادیر به ترتیب (۳۹/۰، ۳/۰، ۱۳/۰، ۱/۰ و ۰۶/۰ ) بیشترین تاثیر را بر EVI دارند. به علاوه تاثیر این متغیرها بر شاخص NDVI به ترتیب ضرایب آنها (۲/۰، ۲۸/۰، ۲۲/۰، ۱۱/۰ و ۱۷/۰) میباشد.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.
کلمات کلیدی: Temperature, humidity, precipitation, Bayesian regression, neural network, ARMAX, دما، رطوبت، بارش، رگرسیون بیزی، شبکه عصبی مصنوعی، ARMAX
صفحه اختصاصی مقاله و دریافت فایل کامل: https://civilica.com/doc/1937032/