سامانه پشتیبانی خدمات اطلاعات

  اخبار و اعلانات

 آمار

تعداد نشریات161
تعداد شماره‌ها6,532
تعداد مقالات70,504
تعداد مشاهده مقاله124,121,607
تعداد دریافت فایل اصل مقاله97,228,772
ذوقی, محمود, امیری, محمد جواد. (1402). تعیین آستانه و ارزیابی حساسیت شاخص پوشش گیاهی اکوسیستم‌های شهری در مواجهه با شوک‌های اقلیمی، مطالعه موردی: منطقه شهری گرگان. , 11(2), 97-114. doi: 10.22059/jurbangeo.2023.353153.1774
محمود ذوقی; محمد جواد امیری. "تعیین آستانه و ارزیابی حساسیت شاخص پوشش گیاهی اکوسیستم‌های شهری در مواجهه با شوک‌های اقلیمی، مطالعه موردی: منطقه شهری گرگان". , 11, 2, 1402, 97-114. doi: 10.22059/jurbangeo.2023.353153.1774
ذوقی, محمود, امیری, محمد جواد. (1402). 'تعیین آستانه و ارزیابی حساسیت شاخص پوشش گیاهی اکوسیستم‌های شهری در مواجهه با شوک‌های اقلیمی، مطالعه موردی: منطقه شهری گرگان', , 11(2), pp. 97-114. doi: 10.22059/jurbangeo.2023.353153.1774
ذوقی, محمود, امیری, محمد جواد. تعیین آستانه و ارزیابی حساسیت شاخص پوشش گیاهی اکوسیستم‌های شهری در مواجهه با شوک‌های اقلیمی، مطالعه موردی: منطقه شهری گرگان. , 1402; 11(2): 97-114. doi: 10.22059/jurbangeo.2023.353153.1774

تعیین آستانه و ارزیابی حساسیت شاخص پوشش گیاهی اکوسیستم‌های شهری در مواجهه با شوک‌های اقلیمی، مطالعه موردی: منطقه شهری گرگان

پژوهش‌های جغرافیای برنامه‌ریزی شهری
مقاله 6، دوره 11، شماره 2، مرداد 1402، صفحه 97-114    اصل مقاله (1.7 M)
نوع مقاله: پژوهشی - کاربردی
شناسه دیجیتال (DOI): 10.22059/jurbangeo.2023.353153.1774
نویسندگان
محمود ذوقی؛ محمد جواد امیری*
گروه برنامه‌ریزی و مدیریت محیط‌زیست، دانشکده محیط‌زیست، دانشگاه تهران، تهران
چکیده
 
امروزه تغییر اقلیم و اثرات منفی آشکار آن بر اکوسیستم‌ها موجب نگرانی شده است. این پژوهش در پی آن است که آزمون کند؛ آیا تغییرات پوشش گیاهی در مقابل شوک‌های اقلیمی حساس بوده و همچنین روند بازیابی اکوسیستم از طریق این شاخص چگونه است. در این راستا با بهره‌گیری از پلتفرم GEE، کد نویسی جاوا، GIS و تحلیل‌های آماری، شاخص‌های پوشش گیاهی و پالمر محاسبه و همچنین بر اساس داده‌های اقلیمی سری زمانی تغییرات پوشش گیاهی و اقلیمی ارائه شد. نتایج شاخص خشک‌سالی پالمر نشان می‌دهد طی دوره آماری (1985-2020) منطقه مطالعاتی با خشک‌سالی مواجه می-باشد. همچنین نتایج بیانگر طولانی‌ترین دوره خشک‌سالی منطقه از سال 2013 تا 2020 است. درمجموع از 420 ماه مورد ارزیابی در 70 ماه، شاخص NDVI در پایین حد آستانه تغییرات قرار دارد. از این میان قرارگیری 31 ماه از طول دوره مطالعاتی در پایین حد آستانه قابل‌پذیرش در فصول سبز و غیر خزان کننده می‌باشد که به لحاظ اکولوژیکی نگران‌کننده است. توزیع پراکنش شاخص پوشش گیاهی بر مبنای هگزاگون نیز در سال 1985 و 2005 دارای توزیع نرمال و تقریباً نرمال بوده؛ اما در سال 2020 نمودار از وضعیت نرمال خارج و چولگی به سمت شاخص پوشش گیاهی تحت استرس و یا حتی پوشش‌های تنک میل کرده است. مطابق بررسی شاخص‌ها پیش‌بینی می‌گردد منطقه گرگان در مرز چنین تحولات اکولوژیکی قرار داشته و اکوسیستم تاریخی منطقه با شرایط اقلیمی و اختلال‌های انسانی به سمت اکوسیستم‌ها جدید یا قرارگیری در وضعیت تعادلی جدید در حال حرکت است.
کلیدواژه‌ها
آستانه؛ اکوسیستم؛ اقلیم؛ پالمر؛ پوشش گیاهی
مراجع
  1. ابوالفتحی، خدیجه؛ علی خواه اصل، مرضیه و رضوانی، محمد. (1394). تیپ بندی و ارزیابی مراتع با استفاده از سامانهٔ اطلاعات جغرافیایی (GIS) و شاخص پوشش گیاهی (NDVI)(مطالعه موردی: تحت واحد شهرآباد زیر حوزه آبخیز حبله رود). فصلنامه انسان و محیط‌زیست، 13(2)، 45-55.
  2. خوانین‌زاده، علیرضا؛ سرباز، محمد و احمدیان، شادی. (1396). بررسی روند تغییرات فضای سبز در سه دهة گذشته با استفاده از سنجش‌ازدور (مطالعه موردی: شهر یزد). جغرافیا و توسعه فضای شهری، 4(2)، 99-115.
  3. انصاری، حسین و داوری، کامران. (1389). ارزیابی تغییرات مکانی و زمانی خشک‌سالی با استفاده از شاخص پالمر (مطالعه موردی: حوزه‌های آبریز قره قوم و بخشی از حوزه اترک). پژوهش‌های حفاظت آب‌وخاک (علوم کشاورزی و منابع طبیعی)، 17(2)، 125-140.
  4. فیروزی، فاطمه؛ طاووسی، تقی و محمودی، پیمان. (1397). بررسی روند تغییرات سری‌های زمانی متغیرهای محیطی (NDVI، LST، Albedo و رطوبت خاک) دشت سیستان در شرق ایران. دانشگاه سیستان و بلوچستان، زاهدان.
  5. محمدیاری، فاطمه؛ پورخباز، حمیدرضا؛ توکلی، مرتضی و اقدر، حسین. (1393). تهیه نقشه پوشش گیاهی و پایش تغییرات آن با استفاده از تکنیک‌های سنجش‌ازدور و سیستم اطلاعات جغرافیایی (مطالعه موردی: شهرستان بهبهان). فصلنامه اطلاعات جغرافیایی «سپهر»، 23(92)، 23-34.
فرج زاده، منوچهر و کریمی، نعمت‌الله. (1392). مبانی هواشناسی ماهواره‌ای. چاپ اول، تهران: سازمان سمت.

 

  1. Alwesabi, M. (2012). MODIS NDVI satellite data for assessing drought in Somalia during the period 2000-2011. Student Thesis Series INES.
  2. Amani, M., Ghorbanian, A., Ahmadi, S. A., Kakooei, M., Moghimi, A., Mirmazloumi, S. M., Moghaddam, S. H. A., Mahdavi, S., Ghahremanloo, M., & Parsian, S. (2020). Google earth engine cloud computing platform for remote sensing big data applications: A comprehensive review. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 13, 5326–5350.
  3. Azzari, G., & Lobell, D. B. (2017). Landsat-based classification in the cloud: An opportunity for a paradigm shift in land cover monitoring. Remote Sensing of Environment, 202, 64–74.
  4. Badapalli, P. K., Kottala, R. B., Madiga, R., & Mesa, R. (2021). Land suitability analysis and water resources for agriculture in semi-arid regions of Andhra Pradesh, South India using remote sensing and GIS techniques. International Journal of Energy and Water Resources, 7(4),1–16.
  5. Bahram, M., Põlme, S., Kõljalg, U., Zarre, S., & Tedersoo, L. (2012). Regional and local patterns of ectomycorrhizal fungal diversity and community structure along an altitudinal gradient in the Hyrcanian forests of northern Iran. New Phytologist, 193(2), 465–473.
  6. Bullock, E. L., Woodcock, C. E., & Olofsson, P. (2020). Monitoring tropical forest degradation using spectral unmixing and Landsat time series analysis. Remote Sensing of Environment, 238, 110968.
  7. Chander, G., Markham, B. L,. & Helder, D. L. (2009). Summary of current radiometric calibration coefficients for Landsat MSS, TM, ETM+, and EO-1 ALI sensors. Remote Sensing of Environment, 113(5), 893–903.
  8. Chen, B., Xiao, X., Li, X., Pan, L., Doughty, R., Ma, J., Dong, J., Qin, Y., Zhao, B., & Wu, Z. (2017). A mangrove forest map of China in 2015: Analysis of time series Landsat 7/8 and Sentinel-1A imagery in Google Earth Engine cloud computing platform. ISPRS Journal of Photogrammetry and Remote Sensing, 131, 104–120.
  9. Chu, H., Venevsky, S., Wu, C., & Wang, M. (2019). NDVI-based vegetation dynamics and its response to climate changes at Amur-Heilongjiang River Basin from 1982 to 2015. Science of the Total Environment, 650, 2051–2062.
  10. De Keersmaecker, W., Lhermitte, S., Tits, L., Honnay, O., Somers, B., & Coppin, P. (2015). A model quantifying global vegetation resistance and resilience to short‐term climate anomalies and their relationship with vegetation cover. Global Ecology and Biogeography, 24(5), 539–548.
  11. DeVries, B., Huang, C., Armston, J., Huang, W., Jones, J. W., & Lang, M. W. (2020). Rapid and robust monitoring of flood events using Sentinel-1 and Landsat data on the Google Earth Engine. Remote Sensing of Environment, 240, 111664.
  12. Goldblatt, R., Stuhlmacher, M. F., Tellman, B., Clinton, N., Hanson, G., Georgescu, M., Wang, C., Serrano-Candela, F., Khandelwal, A. K., & Cheng, W. H. (2018). Using Landsat and nighttime lights for supervised pixel-based image classification of urban land cover. Remote Sensing of Environment, 205, 253–275.
  13. Gong, P., Li, X., Wang, J., Bai, Y., Chen, B., Hu, T., Liu, X., Xu, B., Yang, J., & Zhang, W. (2020). Annual maps of global artificial impervious area (GAIA) between 1985 and 2018. Remote Sensing of Environment, 236, 111510.
  14. Gorelick, N., Hancher, M., Dixon, M., Ilyushchenko, S., Thau, D., & Moore, R. (2017). Google Earth Engine: Planetary-scale geospatial analysis for everyone. Remote Sensing of Environment, 202, 18–27.
  15. Guha, S., Govil, H., Taloor, A. K., Gill, N., & Dey, A. (2022). Land surface temperature and spectral indices: A seasonal study of Raipur City. Geodesy and Geodynamics, 13(1), 72–82.
  16. Hao, B., Ma, M., Li, S., Li, Q., Hao, D., Huang, J., Ge, Z., Yang, H., & Han, X. (2019). Land use change and climate variation in the three gorges reservoir catchment from 2000 to 2015 based on the Google Earth Engine. Sensors, 19(9), 2118.
  17. Hossain, M. L., & Li, J. (2021). NDVI-based vegetation dynamics and its resistance and resilience to different intensities of climatic events. Global Ecology and Conservation, 30, e01768.
  18. Huang, Q., Long, D., Du, M., Zeng, C., Qiao, G., Li, X., Hou, A., & Hong, Y. (2018). Discharge estimation in high-mountain regions with improved methods using multisource remote sensing: A case study of the Upper Brahmaputra River. Remote Sensing of Environment, 219, 115–134.
  19. Huang, S., Tang, L., Hupy, J. P., Wang, Y., & Shao, G. (2021). A commentary review on the use of normalized difference vegetation index
  20.  (NDVI) in the era of popular remote sensing. Journal of Forestry Research, 32(1), 1–6.
  21. Isbell, F., Craven, D., Connolly, J., Loreau, M., Schmid, B., Beierkuhnlein, C., Bezemer, T. M., Bonin, C., Bruelheide, H., & De Luca, E. (2015). Biodiversity increases the resistance of ecosystem productivity to climate extremes. Nature, 526(7574), 574–577.
  22. Jahani, A., & Saffariha, M. (2021). Modeling of trees failure under windstorm in harvested Hyrcanian forests using machine learning techniques. Scientific Reports, 11(1), 1–13.
  23. Jones, H. G., & Vaughan, R. A. (2010). Remote sensing of vegetation: principles, techniques, and applications. edition 1.publisher: Oxford university press.
  24. Kakooei, M., & Baleghi, Y. (2020). A two-level fusion for building irregularity detection in post-disaster VHR oblique images. Earth Science Informatics, 13(2), 459–477.
  25. Krakauer, N. Y., Lakhankar, T., & Anadón, J. D. (2017). Mapping and attributing normalized difference vegetation index trends for Nepal. Remote Sensing, 9(10), 986.
  26. Kumar, B. P., Babu, K. R., Anusha, B. N., & Rajasekhar, M. (2022). Geo-environmental Monitoring and Assessment of Land Degradation and Desertification in the Semi-arid regions using Landsat 8 OLI/TIRS, LST, and NDVI approach. Environmental Challenges, 8, 100578.
  27. Liu, X., Hu, G., Chen, Y., Li, X., Xu, X., Li, S., Pei, F., & Wang, S. (2018). High-resolution multi-temporal mapping of global urban land using Landsat images based on the Google Earth Engine Platform. Remote Sensing of Environment, 209, 227–239.
  28. Lobell, D. B., Thau, D., Seifert, C., Engle, E., & Little, B. (2015). A scalable satellite-based crop yield mapper. Remote Sensing of Environment, 164, 324–333.
  29. Lu, Q., Zhao, D., Wu, S., Dai, E., & Gao, J. (2019). Using the NDVI to analyze trends and stability of grassland vegetation cover in Inner Mongolia. Theoretical and Applied Climatology, 135(3), 1629–1640.
  30. McDowell, N., Pockman, W. T., Allen, C. D., Breshears, D. D., Cobb, N., Kolb, T., Plaut, J., Sperry, J., West, A. & Williams, D. G. (2008). Mechanisms of plant survival and mortality during drought: why do some plants survive while others succumb to drought?. New Phytologist, 178(4), 719–739.
  31. Midekisa, A., Holl, F., Savory, D. J., Andrade-Pacheco, R., Gething, P. W., Bennett, A., & Sturrock, H. J. W. (2017). Mapping land cover change over continental Africa using Landsat and Google Earth Engine cloud computing. PloS One, 12(9), e0184926.
  32. Mirmosavei, S., & Kareimei, H. (2013). Effect of drought on vegetation cover using MODIS sensing images case: Kurdistan Province. Geography and Development Iranian Journal, 11(31), 57–76.
  33. Mutanga, O., & Kumar, L. (2019). Google earth engine applications. In Remote Sensing, 11(5), 591- 611.
  34. Nila, M., Salma, U., Beierkuhnlein, C., Jaeschke, A., Hoffmann, S., & Hossain, M. L. (2019). Predicting the effectiveness of protected areas of Natura 2000 under climate change. Ecological Processes, 8(1), 1–21.
  35. Palmer, W. C. (1965). Meteorological drought (Vol. 30). US Department of Commerce, Weather Bureau.
  36. Park, T., Ganguly, S., Tømmervik, H., Euskirchen, E. S., Høgda, K.-A., Karlsen, S. R., Brovkin, V., Nemani, R. R., & Myneni, R. B. (2016). Changes in growing season duration and productivity of northern vegetation inferred from long-term remote sensing data. Environmental Research Letters, 11(8), 84001.
  37. Pinzon, J. E., & Tucker, C. J. (2014). A non-stationary 1981–2012 AVHRR NDVI3g time series. Remote Sensing, 6(8), 6929–6960.
  38. Poorazimy, M., Shataee, S., Attarchi, S., & Mohammadi, J. (2017). Estimation of aboveground biomass using Alos-Palsar data in Hyrcanian forests (Case study: ShastKalateh, Gorgan). Forest and Wood Products, 70(3), 479–488.
  39. Shelestov, A., Lavreniuk, M., Kussul, N., Novikov, A., & Skakun, S. (2017). Exploring Google Earth Engine platform for big data processing: Classification of multi-temporal satellite imagery for crop mapping. Frontiers in Earth Science, 5, 17.
  40. Taloor, A. K., Manhas, D. S., & Kothyari, G. C. (2021). Retrieval of land surface temperature, normalized difference moisture index, normalized difference water index of the Ravi basin using Landsat data. Applied Computing and Geosciences, 9, 100051.
  41. Teluguntla, P., Thenkabail, P. S., Oliphant, A., Xiong, J., Gumma, M. K., Congalton, R. G., Yadav, K., & Huete, A. (2018). A 30-m landsat-derived cropland extent product of Australia and China using random forest machine learning algorithm on Google Earth Engine cloud computing platform. ISPRS Journal of Photogrammetry and Remote Sensing, 144, 325–340.
  42. Vicente-Serrano, S. M., Beguería, S., Lorenzo-Lacruz, J., Camarero, J. J., López-Moreno, J. I., Azorin-Molina, C., Revuelto, J., Morán-Tejeda, E., & Sanchez-Lorenzo, A. (2012). Performance of drought indices for ecological, agricultural, and hydrological applications. Earth Interactions, 16(10), 1–27.
  43. Vicente-Serrano, S. M., Gouveia, C., Camarero, J. J., Beguería, S., Trigo, R., López-Moreno, J. I., Azorín-Molina, C., Pasho, E., Lorenzo-Lacruz, J., & Revuelto, J. (2013). Response of vegetation to drought time-scales across global land biomes. Proceedings of the National Academy of Sciences, 110(1), 52–57.
  44. Wang, Y., Ma, J., Xiao, X., Wang, X., Dai, S., & Zhao, B. (2019). Long-term dynamic of Poyang Lake surface water: A mapping work based on the Google Earth Engine cloud platform. Remote Sensing, 11(3), 313.
  45. Weishou, S., Di, J., Hui, Z., Shouguang, Y., Haidong, L., & Naifeng, L. (2011). The response relation between climate change and NDVI over the Qinghai-Tibet plateau. Journal of the World Academy of Science,. Engineering and Technology, 59, 2216–2222.
  46. Xiao, J., & Moody, A. (2005). Geographical distribution of global greening trends and their climatic correlates: 1982–1998. International Journal of Remote Sensing, 26(11), 2371–2390.
  47. Yun-Hao, C., Xiao-Bing, L., & Feng, X. (2001). NDVI changes in China between 1989 and 1999 using change vector analysis based on time series data. Journal of Geographical Sciences, 11(4), 383–392.
  48. Zhang, Q., Kong, D., Singh, V. P., & Shi, P. (2017). Response of vegetation to different time-scales drought across China: Spatiotemporal patterns, causes and implications. Global and Planetary Change, 152, 1–11.
  49. Zhao, Q., Yu, L., Li, X., Peng, D., Zhang, Y., & Gong, P. (2021). Progress and trends in the application of Google Earth and Google Earth Engine. Remote Sensing, 13(18), 3778.
  50. Zhou, Y., Dong, J., Xiao, X., Liu, R., Zou, Z., Zhao, G., & Ge, Q. (2019). Continuous monitoring of lake dynamics on the Mongolian Plateau using all available Landsat imagery and Google Earth Engine. Science of the Total Environment, 689, 366–380.
  51. Zurqani, H. A., Post, C. J., Mikhailova, E. A., Schlautman, M. A., & Sharp, J. L. (2018). Geospatial analysis of land use change in the Savannah River Basin using Google Earth Engine. International Journal of Applied Earth Observation and Geoinformation, 69, 175–185.
آمار
تعداد مشاهده مقاله: 125
تعداد دریافت فایل اصل مقاله: 228


سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب