بررسی گذشته، حال و آینده تغییرات پوشش گیاهی مراتع البرز مرکزی در ارتباط با تغییر اقلیم

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری علوم مرتع، دانشکده منابع طبیعی، دانشگاه تهران

2 استاد گروه احیا مناطق خشک و کوهستانی، دانشکده منابع طبیعی، دانشگاه تهران

3 دانشیار گروه مهندسی آبیاری و آبادانی، دانشکده مهندسی فناوری کشاورزی، دانشگاه تهران

4 استاد دانشکده علوم طبیعی، دانشگاه کالج سلطنتی لندن، سیلوودپارک، انگلستان

چکیده

شتاب در روند تغییرات اقلیمی باعث دگرگونی سریع وضعیت اکوسیستم ­های مرتعی شده است که یافتن روش ­های نوین ارزیابی این تغییرات راهی جهت مدیریت پایدار مراتع محسوب می­شود. به منظور بررسی روند تغییرات پوشش گیاهی ناشی از اثرات اقلیمی مراتع البرز مرکزی انتخاب شدند. شاخص نرمال‌شده تفاضل پوشش گیاهی (NDVI) با استفاده از تصاویر ماهواره ­ای لندست، سنجنده +TM، ETM و OLI برای سال­های 1366 تا 1395 (30 سال) استخراج گردید. با استفاده از شاخص بارش استاندارد شده (SPI) روند خشکسالی مورد بررسی قرار گرفت. جهت پیش­ بینی تغییرات آتی پوشش گیاهی مراتع از مدل زنجیره مارکوف استفاده شد. نتایج نشان داد که شاخص (NDVI) از   سال­های گذشته تا حال نوسان داشته است به ­طوریکه ضمن افزایش موقتی تغییرات در بعضی سال­ها 1366 (0.86)، 1381 (0.87)، 1384 (0.87) و 1394 (0.86)؛ اما روند تغییرات کلی به ­صورت کاهش در میزان این شاخص در سال­های 1374 (0.53)، 1376 (0.65)، 1379 (0.62) و 1387 (0.61) به ­خصوص برای طبقات متوسط تا خیلی فقیر بوده است. همبستگی بالا (5/91%) بین شاخص SPI و NDVI نشان می­دهد که تقریباً در تمامی سال­های کاهش پوشش گیاهی، خشکسالی شدید تا متوسط رخ داده است. همچنین مدل پیش­بینی مارکوف تغییرات کاهشی شدیدی در میزان شاخص پوشش گیاهی برای سال­های 2031 و 2045 پیش­ بینی می­ کند. بنابراین مدیریت مراتع باید به گونه ­ای پیش برود که با روند افزایش تدریجی دما و تأثیرات منفی آن بر پوشش گیاهی، از طریق تنظیم ظرفیت چرایی و نیز جایگزینی دام­ های با عملکرد بالا و تقویت گونه ­های گیاهی مقاوم به خشکی نسبت به شرایط آینده آمادگی یابند.

کلیدواژه‌ها


عنوان مقاله [English]

Surveying of the past, present, and future of vegetation changes in the central Alborz ranges in relation to climate change

نویسندگان [English]

  • Diana Askarizadeh 1
  • Hosein Arzani 2
  • Mohammad Jafary 2
  • Javad Bazrafshan 3
  • Iain colin Prentice 4
1 PhD Student of Range Science, Department of Natural Resources, University of Tehran
2 Prof. College of Reclamation of Arid and Mountainous Regions, Department of Natural Resources, University of Tehran
3 Assoc. Prof. College of Irrigation and Reclamation Engineering, Department of Agricultural Engineering & Technology, University of Tehran
4 Prof. Department of Natural Sciences, Imperial College London, Silwood Park, England
چکیده [English]

Acceleration of climate trend change is caused by the swift shift of rangeland conditions that using modern methods of evaluation to them are counted to sustainable management of the rangelands. In order for an investigation of trend change of rangeland vegetation due to climate change, central Alborz rangelands were selected. Normalized Difference Vegetation Index (NDVI) for the period of 30-year (1987-2016) was extracted by Landsat satellite, TM, ETM+, and OLI series. Drought periods were determined using the Standardized Precipitation Index (SPI). The Markov Chain model was used to anticipate the future changes of rangeland vegetation. The results showed that the vegetation cover index’s changes have risen and fallen for three decades in which, despite of increasing for some years 1986 (0.86), 2002 (0.87), 2005 (0.87), and 2015 (0.86); the changes trend was decreasingly for 1995 (0.53), 1998 (0.65), 2000 (0.62), and 2008 (0.61) years, especially for fair to very poor classes. The highest correlation (91.5%) between the SPI and NDVI was shown that severe to moderate drought has taken place along with decreased vegetation periods. Moreover, the Markov Chain model has anticipated a forcible declined change of vegetation cover for 2031 and 2046 periods. Therefore, range management approaches have to prepare itself in order to the gradual increase of temperature, which has destructive effects on vegetation cover, via regulating of grazing capacity and replacing of highly performance livestock in the future.

کلیدواژه‌ها [English]

  • Normalized difference vegetation index (NDVI)
  • Standardized Precipitation Index (SPI)
  • Markov chain
  • Central Alborz rangeland
ارزانی، ح. 1377. دستورالعمل طرح ملی ارزیابی مراتع مناطق مختلف آب و هوایی ایران. موسسه تحقیقات جنگل‌ها و مراتع کشور. 150 صفحه.

ارزانی، ح.، گ. کینگ و ب. فورستر. 1376. کاربرد داده­ های رقومی ماهواره لندست TM در تخمین تولید و پوشش گیاهی. مجله منابع طبیعی ایران، 50(1): 3-21.

ارزانی، ح.، س. نوری، س. ح. کابلی، ح. ر. مرادی و ح. قلیچ­نیا. 1387. معرفی شاخص­های مناسب ارزیابی پوشش و تولید گیاهی در مراتع ییلاقی جنوب استان مازندران. نشریه منابع طبیعی تهران، 61(4): 997-1016.

اکبرزاده، م.، م. مقدم، م. جعفری، و ح. ارزانی. 1386. تأثیر بارندگی بر تغییرات پوشش تاجی و تولید گیاهان در پلور. نشریه منابع طبیعی ایران، 60(1): 307-322.

پیرنیا، ع.، م. حبیب­نژادروشن و ک. سلیمانی. 1394. بررسی تغییرات دما و بارندگی در سواحل جنوبی دریای خزر و مقایسه آن با تغییرات در مقیاس جهانی و نیمکره شمالی. پژوهشنامه مدیریت حوزه آبخیز، 6(11): 90-101.

جباری، س.، س. ج. خواجه­الدین، ر. جعفری و س. سلطانی. 1393. بررسی تغییرات درصد پوشش گیاهی مراتع با استفاده از تصاویر ماهواره­ای در منطقه سمیرم اصفهان. بوم­شناسی کاربردی، 3(10): 27-39.

جوادی، س. ا.، م. جعفری، ح. آذرنیوند و س. ج. علوی. 1384. بررسی اثر شدت چرای دام بر تغییرات ماده آلی و نیتروژن خاک در مراتع لار. 58(3): 711-718.

جوری، م. ح. 1395. تحلیل اثر مدیریت مرتع با استفاده از شاخص­های تنوع و SHE. مجله محیط‌شناسی، 42(1): 229-244.

رحمانی، ن.، ک. شاهدی و ح. میریعقوب زاده. 1390. ارزیابی شاخص­های پوشش گیاهی مورداستفاده در سنجش‌ازدور (مطالعه موردی؛ حوزه هریسک). 25 تا 29 اردیبهشت، همایش ژئوماتیک، تهران، سازمان نقشه‌برداری کشور. 1559 صفحه.

شکراللهی، ش.، ح. م. مرادی و ق. ع. دیانتی تیلکی. 1391. بررسی اثر ویژگی­های خاک و عوامل فیزیوگرافی بر پوشش گیاهی (مطالعۀ موردی: بخشی از مراتع ییلاقی پلور). مجلۀ تحقیقات مرتع و بیابان ایران، 19(4): 655-668.

عزیزی قلاتی، س.، ک. رنگزن، ج. سدیدی، پ. حیدریان و آ. تقی زاده.  1395. پیش‌بینی روند تغییرات مکانی کاربری اراضی با استفاده از مدل زنجیرة مارکوف- CA (مطالعة موردی: منطقه کــوهمره ســرخی اســتان فــارس). سنجش‌ازدور و ســامانه اطلاعات جغرافیایی در منابع طبیعی، 7(1):59-71.

علوی پناه، س. ک.، ع. رفیعی امام، س. ز. حسینی و م. ج. بیگلو. 1385. بررسی تغییرپذیری طیفی پدیده‌های مختلف پوشش گیاهی و آب با استفاده از سنجش‌ازدور، مجله پژوهش‌های جغرافیایی، 97: 58-81.

فرج­زاده، م.، ا. ا. فتح­نیا، ب. علیجانی و پ. ضیائیان. 1390. ارزیابی اثر عوامل اقلیمی بر پوشش گیاهی منطقه زاگرس با استفاده از اطلاعات رقومی ماهواره­ای. مجلۀ تحقیقات مرتع و بیابان ایران، 18(1): 107-123.

قلیچ­نیا، ح. 1396. بررسی رفتار چرایی گوسفند نژاد شال در مراتع کوهستانی پلور، استان مازندران. مجلۀ تحقیقات مرتع و بیابان، 24(2): 280-290.

کاظمی­نیا، ع. ر. 1396. کاربرد سنجش‌ازدور و GIS در بررسی پوشش گیاهی. نشریه علمی ترویجی مهندسی نقشه ­برداری و اطلاعات مکانی، 9(1): 75-86.

کریمـــی، ک. و چ. ب. کمکـــی. 1394. پـــایش، ارزیـــابی و پیش‏بینی روند تغییرات مکانی کاربری اراضی/پوشش زمین بـا استفاده از مدل زنجیـرهای مـارکوف (مطالعه مـوردی: دشـت بسطاق- خراسان جنوبی). سنجش‌ازدور و سـامانه اطلاعـات جغرافیایی در منابع طبیعی، 6(2): 75-88.

محمدیاری، ف.، ح. پورخباز، م. توکلی و ح. اقدر. 1393. تهیه نقشه پوشش گیاهی و پایش تغییرات آن با استفاده از تکنیک­های سنجش‌ازدور و سیستم اطلاعات جغرافیایی (مطالعه موردی: شهرستان بهبهان). فصلنامه علمی-پژوهشی اطلاعات جغرافیایی، 23(92): 23-34.

محمدی، ش.، خ. حبشی، س. پورمنافی. 1397. پایش و پیش­بینی تغییرات کاربری/پوشش اراضی و ارتباط آن با خشک‌سالی (مطالعه موردی: زیر حوزه پارسل B، حوزه آبخیز زاینده‏رود). سنجش‌ازدور و سـامانه اطلاعـات جغرافیایی در منابع طبیعی، 9(1): 24-39.

Abburu S, Golla SB. 2015. Satellite image classification methods and techniques: A review. International Journal of Computer Applications, 119(8): 20-25.

Archer ER. 2004. Beyond the climate versus grazing impasse: using remote sensing to investigate the effects of grazing system choice on vegetation cover in the eastern Karoo. Journal of Arid Environments, 57(3): 381-408.

Aukema JE, Pricope NG, Husak GJ, Lopez-Carr D. 2017. Biodiversity areas under threat: Overlap of climate change and population pressures on the world’s biodiversity priorities. PloS one, 12(1): e0170615.

Cabrera-Bosquet L, Molero G, Stellacci A, Bort J, Nogues S, Araus J. 2011. NDVI as a potential tool for predicting biomass, plant nitrogen content and growth in wheat genotypes subjected to different water and nitrogen conditions. Cereal Research Communications, 39(1): 147-159.

Cai G, Du M, Liu Y. 2010. Regional drought monitoring and analyzing using MODIS data-A case study in Yunnan Province. In: International conference on Computer and Computing Technologies in Agriculture. Springer, pp 243-251.

Campbell JB, Wynne RH. 2011. Introduction to remote sensing. Fifth Edition edn. Guilford Press, 718 pp.

Caratti JF. 2006. Cover/Frequency (CF). In: Lutes, Duncan C; Keane, Robert E; Caratti, John F; Key, Carl H; Benson, Nathan C; Sutherland, Steve; Gangi, Larry J 2006 FIREMON: Fire effects monitoring and inventory system Gen Tech Rep RMRS-GTR-164-CD Fort Collins, CO: US Department of Agriculture, Forest Service, Rocky Mountain Research Station p CF-1-15, 164.

Casady GM, Van Leeuwen WJ, Reed BC. 2013. Estimating winter annual biomass in the Sonoran and Mojave Deserts with satellite-and ground-based observations. Remote Sensing, 5(2): 909-926.

Collins S, Larry E. 2008. Caring for our natural assets: an ecosystem services perspective. (PNW-GTR-733): 1-11.

Cord AF, Klein D, Mora F, Dech S. 2014. Comparing the suitability of classified land cover data and remote sensing variables for modeling distribution patterns of plants. Ecological Modelling, 272: 129-140.

Felde G, Anderson G, Cooley T, Matthew M, Berk A, Lee J. 2003. Analysis of Hyperion data with the FLAASH atmospheric correction algorithm. In: Geoscience and Remote Sensing Symposium, 2003. IGARSS'03. Proceedings. 2003 IEEE International. IEEE, pp 90-92.

Hamann A, Roberts DR, Barber QE, Carroll C, Nielsen SE. 2015. Velocity of climate change algorithms for guiding conservation and management. Global Change Biology, 21(2): 997-1004.

Hao R, Yu D, Liu Y, Liu Y, Qiao J, Wang X, Du J. 2017. Impacts of changes in climate and landscape pattern on ecosystem services. Science of the Total Environment, 579: 718-728.

Jewitt D, Erasmus BF, Goodman PS, O'Connor TG, Hargrove WW, Maddalena DM, Witkowski ET. 2015. Climate-induced change of environmentally defined floristic domains: A conservation based vulnerability framework. Applied Geography, 63: 33-42.

Jiang Y, Wang R, Peng Q, Wu X, Ning H, Li C. 2018. The relationship between drought activity and vegetation cover in Northwest China from 1982 to 2013. Natural Hazards, 92(1): 145-163.

Jin Y, Yang X, Qiu J, Li J, Gao T, Wu Q, Zhao F, Ma H, Yu H, Xu B. 2014. Remote sensing-based biomass estimation and its spatio-temporal variations in temperate grassland, Northern China. Remote Sensing, 6(2): 1496-1513.

Johansen B, Tømmervik H. 2014. The relationship between phytomass, NDVI and vegetation communities on Svalbard. International Journal of Applied Earth Observation and Geoinformation, 27: 20-30.

Khosravi H, Haydari E, Shekoohizadegan S, Zareie S. 2017. Assessment the Effect of Drought on Vegetation in Desert Area using Landsat Data. The Egyptian Journal of Remote Sensing and Space Science, 20: S3-S12.

Klisch A, Atzberger C. 2016. Operational drought monitoring in Kenya using MODIS NDVI time series. Remote Sensing, 8(4): 267.

Li S, Potter C, Hiatt C. 2012. Monitoring of net primary production in California rangelands using Landsat and MODIS satellite remote sensing. Natural Resources, 3(2): 56-65.

Lillesand T, Kiefer RW, Chipman J. 2014. Remote Sensing and Image Interpretation. 7 edn. John Wiley & Sons, 704 pp.

Mahyou H, Tychon B, Lang M, Balaghi R. 2018. Phytomass estimation using eMODIS NDVI and ground data in arid rangelands of Morocco. African Journal of Range & Forage Science, 35(1): 1-12.

McKee TB, Doesken NJ, Kleist J. 1993. The relationship of drought frequency and duration to time scales. In: Proceedings of the 8th Conference on Applied Climatology, vol 22. American Meteorological Society Boston, MA, pp 179-183.

Mustak S. 2013. Correction of atmospheric haze in Resourcesat-1 Liss-4 Mx Data for urban analysis: an improved dark object subtraction approach. In: International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, SMPR 2013, 5- 8 October 2013, Tehran, Iran. pp 283-287.

Numata I, Roberts DA, Chadwick OA, Schimel J, Sampaio FR, Leonidas FC, Soares JV. 2007. Characterization of pasture biophysical properties and the impact of grazing intensity using remotely sensed data. Remote Sensing of Environment, 109(3): 314-327.

Pettorelli N, Vik JO, Mysterud A, Gaillard J-M, Tucker CJ, Stenseth NC. 2005. Using the satellite-derived NDVI to assess ecological responses to environmental change. Trends in Ecology & Evolution, 20(9): 503-510.

Raynolds M, Walker D, Maier H. 2006. NDVI patterns and phytomass distribution in the circumpolar Arctic. Remote Sensing of Environment, 102(3-4): 271-281.

Saltz D, Schmidt H, Rowen M, Karnieli A, Ward D, Schmidt I. 1999. Assessing grazing impacts by remote sensing in hyper-arid environments. Journal of Range Management, 52(5): 500-507.

Santin-Janin H, Garel M, Chapuis J-L, Pontier D. 2009. Assessing the performance of NDVI as a proxy for plant biomass using non-linear models: a case study on the Kerguelen archipelago. Polar Biology, 32(6): 861-871.

Schuman G, Reeder J, Manley J, Hart R, Manley W. 1999. Impact of grazing management on the carbon and nitrogen balance of a mixed‐grass rangeland. Ecological Applications, 9(1): 65-71.

Smeeton NC. 1985. Early history of the kappa statistic. Biometrics, 41: 795-805.

Yang X, Guo X, Fitzsimmons M. 2012. Assessing light to moderate grazing effects on grassland production using satellite imagery. International Journal of Remote Sensing, 33(16): 5087-5104.