روندهای اخیر NDVI در سرزمین اصلی اسپانیا: پیامدهای پوشش زمین و نوع گیاهی

روندهای اخیر NDVI در سرزمین اصلی اسپانیا: پیامدهای پوشش زمین و نوع گیاهی

خلاصه

تکامل زمانی پوشش گیاهی یکی از بهترین شاخص‌های تغییرات آب و هوایی است و بسیاری از مدل‌های سیستم زمین به درک دقیق این فرآیند وابسته هستند. با این حال، انتظار می رود که اثر تغییرات آب و هوایی از یک نوع پوشش زمین به نوع دیگر، به دلیل تغییر در پوشش گیاهی و شرایط محیطی، متفاوت باشد. بنابراین، درک تأثیر تغییر اقلیم بر اساس نوع پوشش زمین برای درک مناطقی که بیشترین آسیب پذیری را در برابر تغییرات آب و هوایی دارند، مناسب است. از این رو، در این مطالعه، روندهای آماری زمانی (2001-2016) شاخص گیاهی تفاوت نرمال شده MODIS13Q1 (NDVI) را تجزیه و تحلیل کردیم تا بررسی کنیم که آیا در سرزمین اصلی اسپانیا و جزایر بالئاریک، بر اساس طبقه پوشش زمین و نوع اقلیم گیاهی، تفاوت‌هایی وجود دارد یا خیر. ما 7.6% روند NDVI منفی و 11 را پیدا کردیم. 8٪ روند مثبت مثبت NDVI.

دوره-آموزش-حرفه-ای-gis

الگوهای فضایی توزیع غیر تصادفی را نشان دادند. منطقه جغرافیایی زیستی اقیانوس اطلس یک روند NDVI منفی غیرمنتظره 21 درصد و منطقه آلپ تنها 3.1 درصد روند NDVI منفی معنی دار را نشان داد. ما همچنین تفاوت های آماری بین روندهای NDVI بر اساس پوشش زمین و نوع گیاهی را پیدا کردیم. واریانس توضیح داده شده توسط این متغیرها تا 35 درصد بود. روندهای مثبت، بیش از همه، با اشغال زمین، و روندهای منفی با اقلیم گیاهی توضیح داده شد. طبقات گیاهی گرمتر از هر نوع عمومی و جنگلی و همچنین برخی از پوشش های اراضی کشاورزی روند منفی را نشان دادند. و منطقه آلپ تنها 3.1٪ روند NDVI منفی معنی دار را نشان داد. ما همچنین تفاوت های آماری بین روندهای NDVI بر اساس پوشش زمین و نوع گیاهی را پیدا کردیم. واریانس توضیح داده شده توسط این متغیرها تا 35 درصد بود. روندهای مثبت، بیش از همه، با اشغال زمین، و روندهای منفی با اقلیم گیاهی توضیح داده شد. طبقات گیاهی گرمتر از هر نوع عمومی و جنگلی و همچنین برخی از پوشش های اراضی کشاورزی روند منفی را نشان دادند. و منطقه آلپ تنها 3.1٪ روند NDVI منفی معنی دار را نشان داد. ما همچنین تفاوت های آماری بین روندهای NDVI بر اساس پوشش زمین و نوع گیاهی را پیدا کردیم. واریانس توضیح داده شده توسط این متغیرها تا 35 درصد بود. روندهای مثبت، بیش از همه، با اشغال زمین، و روندهای منفی با اقلیم گیاهی توضیح داده شد. طبقات گیاهی گرمتر از هر نوع عمومی و جنگلی و همچنین برخی از پوشش های اراضی کشاورزی روند منفی را نشان دادند.

کلید واژه ها:

سنسور طیف رادیومتر تصویربرداری با وضوح متوسط ​​(MODIS) . مانیتورینگ سنجش از راه دور ؛ سری زمانی پوشش گیاهی ; شاخص پوشش گیاهی

1. معرفی

پوشش گیاهی و سیستم آب و هوایی از طریق بازخورد [ 1 ] با هم تعامل دارند. مشخص است که گیاهان آب، انرژی، چرخه های کربن، تبادل دی اکسید کربن با جو (یعنی فتوسنتز، تنفس) و تأثیر بر گردش باد را کنترل می کنند [ 2 ، 3 ]. این موضوع اهمیت گیاهان روی زمین را توضیح می دهد. از سوی دیگر، پویایی پوشش گیاهی توسط آب و هوا، به ویژه، تابش ورودی، دما، بارش و رطوبت جوی هدایت می شود [ 4]]. علاوه بر این، در دسترس بودن مواد مغذی و اختلالات طبیعی و انسانی کوتاه‌مدت مانند آتش‌سوزی، فوران‌های آتشفشانی، قطع درختان یا بیماری‌های همه‌گیر حشرات، شیوه‌های کشاورزی، و تغییرات جهانی بر سلامت گیاهان تأثیر می‌گذارد و باید در مقیاس‌های زمانی- مکانی متفاوت مورد مطالعه قرار گیرند [1] . , 5 , 6 , 7 ]. به عنوان مثال، تغییرات در آغاز و پایان فصل رشد با چرخه کربن در تعامل است [ 8 ، 9 ]. از این نظر، تعجب آور نیست که برای چند سال، محققان آب و هوا بر تعادل کربن و رابطه آن با تکامل گیاهان تمرکز کردند (به عنوان مثال، منابع [ 10 ، 11 ، 12]]). بنابراین، به نظر می‌رسد مهم است که تأکید شود پوشش گیاهی حدود 42 درصد از ذخیره‌سازی کربن زمینی را در خود جای داده و حدود 20 درصد از انتشار سالانه انسانی آن کربن را جذب می‌کند [ 7 ، 13 ].
تمام مطالعات ذکر شده حساسیت بیوسفر زمینی به نوسانات آب و هوایی و پیچیدگی رابطه بین محیط، تغییرات آب و هوا و عملکرد گیاهان را نشان دادند. به این ترتیب، در سال‌های اخیر، تعداد مطالعات علمی که سری‌های زمانی شاخص پوشش گیاهی را بر اساس داده‌های ماهواره‌ای بررسی می‌کنند، به‌طور تصاعدی افزایش یافته است. مطالعاتی که بر ارزیابی سری‌های زمانی سنجش از دور متمرکز بودند، به طور کلی، مربوط به تغییر پوشش زمین [ 14 ]، آشفتگی‌های جنگل [ 15 ]، یا الگوهای فنولوژیکی [ 16 ] و روندهای شاخص پوشش گیاهی در کوتاه‌مدت و بلندمدت بودند. دوره ها [ 17 ، 18 ].
پرکاربردترین شاخص کمیت پوشش گیاهی که از منابع سنجش از دور به دست می آید، شاخص تفاوت نرمال شده گیاهی (NDVI) است [ 19 ]. NDVI تخمینی از کسری از تشعشعات فعال فتوسنتزی جذب شده توسط پوشش گیاهی زمین است [ 20 ]، که با موفقیت برای نظارت بر بهره وری جهانی در طول سه دهه گذشته استفاده شد [ 21 ، 22 ، 23 ]. NDVI به شدت با پارامتر بیوفیزیکی گیاهان مرتبط است، و به همین دلیل، این شاخص برای ارزیابی روندهای بلندمدت پوشش گیاهی استفاده می شود [ 24 ، 25 ]. شاخص NDVI همچنین برای تشخیص پوشش گیاهی و فعل و انفعالات آب و هوایی استفاده شد [ 26 و 27]، مدل سازی خالص تولید اولیه [ 28 ]، و تعادل کربن اکوسیستم های زمینی [ 29 ]. مطالعات دیگر همبستگی NDVI را با خشکسالی، انواع عملکردی پوشش گیاهی [ 30 ، 31 ]، اکوسیستم ها [ 32 ] و پوشش های زمین [ 33 ] بررسی کردند. علیرغم محدودیت های این شاخص به دلیل اثرات جوی و زاویه ای، اشباع و آلودگی بازتابی پس زمینه، استفاده از NDVI در سال های اخیر به دلیل در دسترس بودن سری های زمانی بزرگ افزایش یافته است.
اولین کاربردها در سنجش از دور برای ارزیابی روندها و مطالعات فنولوژیکی پوشش گیاهی از داده‌های حسگر Landsat استفاده کردند. سپس از سنسورهای ماهواره ای با چرخه تکرار بیشتر استفاده شد. طولانی ترین سری سنسورهای با فرکانس بالا، رادیومتر پیشرفته سازمان ملی اقیانوسی و جوی (NOAA) با وضوح بسیار بالا (AVHRR) است. مجموعه داده های شاخص گیاهی AVHRR در یک پایگاه داده از سال 1982 در یک شبکه نمونه برداری مجدد 8 کیلومتری که کره زمین را پوشش می دهد [ 19 ] موجود است. این مطالعات حسگر شامل مراجع [ 34 ، 35 است]. سپس، با راه‌اندازی داده‌های NDVI 250 متری طیف‌سنج تصویربرداری با وضوح متوسط ​​(MODIS)، تجزیه و تحلیل داده‌های سری زمانی می‌تواند وضوح مکانی و زمانی متوسط ​​(منطقه‌ای) داشته باشد. به همین دلیل، از زمانی که MODIS در دسامبر 1999 راه اندازی شد، اغلب برای مطالعات پوشش گیاهی مورد استفاده قرار گرفت [ 22 ، 36 ، 37 ، 38 ، 39 ، 40 ، 41 ، 42.]. برخی از مزایای این کارها هندسه، پرتوسنجی و کیفیت بهبود یافته MODIS همراه با توزیع سیاست شارژ رایگان آن بود. تصاویر MODIS گرفته شده توسط دو سنسور (ماهواره های Aqua و Terra) در سطوح مختلف پیش پردازش توزیع می شوند و با توجه به توزیع زمانی، داده ها به عنوان محصولات روزانه و ترکیبی منتشر می شوند. این محصولات ترکیبی MODIS همچنین در مراحل مختلف ترکیب (هشت روزه، 16 روزه، ماهانه) تولید می‌شوند و در مقایسه با داده‌های روزانه دارای مزایایی هستند، زیرا فرآیند ترکیب اثر ابر، برف و نویز را کاهش می‌دهد [43 ] .
با توجه به قابلیت مقایسه MODIS و سایر سری‌های زمانی حسگر نتایج شاخص پوشش گیاهی، به نظر جالب می‌رسد که برخی از مطالعات قبلی الگوهای فضایی مشابهی را در NDVI بین محصولات AVHRR و MODIS در سراسر جهان نشان داده‌اند. ما نمونه هایی را یافتیم که در آنها این انسجام برای شمال شرقی برزیل [ 44 ]، چین [ 45 ، 46 ] و اروپا [ 33 ] دیده می شود.]. با این حال، این آخرین کار نتایج انسجام کمتری را برای شبه جزیره ایبری، به ویژه با پارامترهای فنولوژی نشان داد. از این نظر، در مقاله حاضر، ما فقط با MODIS کار کردیم زیرا در نظر گرفتیم که وضوح مکانی درشت و زمانی بالا محصولات پوشش گیاهی آن حسگر به ما اجازه می‌دهد تا پویایی سطح زمین را در مقیاس منطقه‌ای [47] درک کنیم . به سرزمین اصلی اسپانیا و جزایر بالئاریک. علاوه بر این، شاخص‌های پوشش گیاهی MODIS در بسیاری از موارد در مقایسه با NOAA/AVHRR NDVI [ 48 ] یا SPOT VGT [ 49 ] با شاخص‌های پوشش گیاهی اندازه‌گیری شده در محل همبستگی بهتری داشتند.
مطالعات متعددی رابطه بین سری های زمانی مقادیر NDVI و عوامل اقلیمی مانند دما، بارش، تابش ورودی، محتوای بخار آب و خشکسالی را نشان دادند [27 ، 47 ، 50 ، 51 ] . از سوی دیگر، آثاری وجود دارد که در آنها نویسندگان رابطه ای بین روند NDVI در دهه های گذشته و پوشش زمین و مدیریت آن پیدا کردند [ 30 ، 51 ، 52 ، 53 ].
علاوه بر این، بسیاری از کارها افزایش دما و کاهش منطقه ای بارش را نشان دادند و مدل ها افزایش خشکسالی را در چندین بخش از جهان پیش بینی کردند [ 54 ، 55 ، 56 ]. در شبه جزیره ایبری، افزایش دما به ویژه در طول تابستان مشاهده شد [ 57 ]. تغییرات در رژیم بارش، با کاهش میانگین [ 58 ]، و افزایش تبخیر و تعرق بالقوه در دهه های اخیر مشاهده شد [ 59 ، 60 ]. همه این داده ها با چندین اثر همراه هستند که در مورد اثرات روی پوشش گیاهی هشدار می دهند: افزایش آسیب حشرات [ 61 ، 62 ]، کاهش رشد [ 53]، 63 ]، و جداسازی کلی بین گیاهان و مناطق، که منجر به تغییر شرایط آب و هوایی می شود [ 64 ، 65 ].
مناطق انتقال آب و هوا به دلیل تغییرات آب و هوایی به طور بالقوه در معرض خطر در نظر گرفته می شوند [ 66 ]. در شبه جزیره ایبری، سه منطقه جغرافیایی زیستی وجود دارد: اقیانوس اطلس، مدیترانه، و آلپ (نگاه کنید به شکل 1 )، با درجه حرارت و گرادیان بارندگی زیاد. فیتوکلیم ها سعی می کنند با استفاده از آستانه های بارش و دما، زیستگاه های طبیعی یا نزدیک به طبیعی یا انجمن های گیاهی و آب و هوا را به هم مرتبط کنند [ 67 ، 68 ]. در شبه جزیره ایبری، تغییر در این متغیرها منجر به افزایش انواع خشک‌تر و گرم‌تر، و کاهش در انواع مرطوب‌تر و تازه‌تر، یعنی “مدیترانی شدن” شد [65 ، 69 ، 70 ] .
از این نظر، هدف ما در اینجا ارزیابی روندهای سالانه NDVI در سرزمین اصلی اسپانیا و جزایر بالئاریک – منطقه‌ای با ناهنجاری‌های آب و هوایی بالا که در این قرن مشاهده شد – در رابطه با پوشش‌های مختلف زمین و انواع اقلیم گیاهی موجود در این سرزمین‌ها بود.

2. مواد و روشها

2.1. سایت مطالعه و هماهنگی اطلاعات در مورد محیط زیست (CORINE) پوشش زمین 2006

منطقه مورد مطالعه در این تحقیق سرزمین اصلی اسپانیا و جزایر بالئاریک بود. در شکل 1 می بینیم که سه منطقه جغرافیایی زیستی وجود دارد: اقیانوس اطلس، مدیترانه و آلپ. وجود کوه ها تنوع آب و هوایی را افزایش می دهد. برای انواع کلی پوشش زمین، شکل 2 را ببینید .
Co-Coordination of the Environment Coordination Information on the Environment (CORINE) Cover Land Cover (CLC) مجموعه ای از نقشه های چشم انداز زیست محیطی اروپا است که بر اساس تفسیر عکس از تصاویر ماهواره ای (SPOT، Landsat TM و Landsat MSS) و فرعی است. داده ها (عکس های هوایی، نقشه های توپوگرافی یا پوشش گیاهی، آمار و دانش محلی). نقشه ها مقیاس 1:100.000 را ارائه می دهند. کوچکترین سطوح نقشه برداری شده 25 هکتار بود و ویژگی های خطی با عرض کمتر از 100 متر نقشه برداری نشد [ 71]]. سطح بالای تفکیک و پوشش جهانی آن، آن را به عنوان یک پوشش جالب به عنوان مرجع تبدیل کرده است. ما از نقشه اشغال CORINE Land Cover 2006 از نسخه 18.5 و سه سطح عمق (که شامل 44 پوشش زمین است) استفاده کردیم. ما از نسخه 2006 استفاده کردیم زیرا محدوده زمانی ما بین 2001-2016 بود و تغییرات بین سال های 2006 و 2012 کمتر از 1.5٪ بود. جدول 1 و شکل 2کدهای کلاس های CORINE Land Cover را نشان دهید. اما سطوح مصنوعی سطح 1 را در نظر نگرفتیم و از تالاب ها فقط به بررسی باتلاق های داخلی پرداختیم. ما شکل فایل برداری را با وضوح MODIS NDVI به رستر تبدیل کردیم. تمام کلاس های CLC مورد استفاده در اینجا دارای تعداد قابل توجهی پیکسل بودند. مواردی که پیکسل کمتری دارند مربوط به سواحل، تپه های شنی و ماسه با بیش از 3000 پیکسل هستند.

2.2. طبقه بندی آلویه گیاهی

مناطق گیاهی مورد استفاده در مطالعه حاضر، مناطقی هستند که در کار Allué [ 68 ] برای شبه جزیره ایبری و جزایر بالئار مشخص شده اند. طبقه بندی Allué بر اساس داده های هواشناسی، جمع آوری شده از بیش از 1000 ایستگاه، از آژانس هواشناسی اسپانیا و سری پوشش گیاهی بالقوه که توسط مرجع [ 72] شرح داده شده است، ساخته شده است.]. این طبقات گیاهی دارای یک گرادیان بزرگ از شرایط زیست اقلیمی است که از منطقه نفوذ اقیانوس اطلس تا خشک ترین مناطق جنوب شرقی اسپانیا را شامل می شود. منطقه تحت نفوذ اقیانوس اطلس با بارش زیاد و دمای ملایم در طول سال مشخص می شود و پوشش گیاهی بالقوه آن طبقه جنگل های برگریز پهن برگ است. در خشک ترین مناطق و فرورفتگی ابرو، میزان بارندگی کم است، فصل خشک پس از پایان تابستان ادامه دارد و دما در طول سال بالاتر است. در مناطق خشک، پتانسیل پوشش گیاهی طبیعی با تشکیلات پراکنده درختچه های خاردار مطابقت دارد.
طبقه‌بندی گیاهی آلوئه شامل ۱۹ زیرگروه مختلف از پوشش گیاهی است که با شرایط آب و هوایی مشخصه مرتبط هستند. جدول 2 مناطق گیاهی آب و هوایی Allué را با سطح بالایی از جزئیات نشان می دهد و شکل 3 الگوی فضایی طبقاتی را نشان می دهد که در آن ایجاد می شوند.
در جدول 2لازم به ذکر است که T’m میانگین حداقل دمای سردترین ماه (به طور معمول ژانویه) است، در حالی که tf کمترین میانگین دمای ماهانه است. تایم لپس، که در آن منحنی دما بالاتر از میزان بارندگی است، با یک مصوت نشان داده می شود. در ماه ها و کسری از ماه ها بیان می شود که بین 11 تا صفر ماه متغیر است. چهار نوع شناسایی شده است: 3 ≤ a < 11; 1.25 ≤ a < 3; 0 ≤ a < 1.25; a = 0. مقدار بیشتر از 11 نشان دهنده آب و هوای خشک است، در حالی که مقدار پایین نشان دهنده آب و هوای مرطوب است. P مقدار کل بارندگی سالانه است. Hs محتمل ترین دوره یخبندان (در ماه) است. اسب بخار دوره (بر حسب ماه) یخبندان مطمئن است. Tc بزرگترین میانگین دمای ماهانه است. میزان بارندگی بر حسب میلی متر و دما بر حسب درجه سانتی گراد می باشد.
همانند کلاس‌های CLC06 برای کدهای Allué، تعداد پیکسل‌های زیادی در منطقه مورد مطالعه ما وجود داشت. ناحیه ای با پیکسل های کمتر مربوط به نوع III (IV) با 2987 است.

2.3. مجموعه داده های کاربردی MODIS

ما از محصول کامپوزیت 16 روزه MODIS VI با وضوح فضایی 250 متر از Terra (MOD13Q1) استفاده کردیم. ما با 368 تصویر کار کردیم، یعنی تمام تصاویر موجود واقع در منطقه مورد مطالعه ما که توسط حسگر MODIS (TERRA) از سال 2001 تا 2016 گرفته شده است. این تصاویر از وب سایت سازمان ملی هوانوردی و فضایی داده زمین (ناسا) دانلود شده است https://earthdata.nasa.gov/ ).
محصول توسعه‌یافته MOD13Q1 (شاخص‌های پوشش گیاهی 16 روزه L3 جهانی 250 متر) دارای یک مقدار NDVI (محاسبه‌شده با باندهای 1 و 2 حسگر MODIS) هر 16 روز بود و ترکیب سری‌های زمانی بدون شکاف [73] را اجازه می‌داد . این محصول همچنین اطلاعات کیفی را از قابلیت اطمینان لایه (PR) به ارمغان می آورد. نکته مهم این است که هر 16 روز، تیم MODIS تصویر را با تاریخ اسمی مربوط به اولین تاریخ هر ترکیب نامگذاری می کرد. با این حال، تاریخ اکتساب واقعی هر پیکسل (CDOY) معمولاً با تاریخ اسمی متفاوت است، اگرچه ممکن است کسب در هر یک از 16 روز اتفاق افتاده باشد [ 73 ].

2.4. صاف کردن منحنی های پیکسل NDVI در اسپانیا با نرم افزار TIMESAT (فیلتر کردن نویز NDVI Profiles).

در نرم افزار TIMESAT، Jonsson و Eklundh [ 16 ] سه روش مختلف را پیاده سازی کردند. همانطور که قبلاً در بخش 1 ذکر کردیم، این روش ها بر اساس برازش حداقل مربعات هستند . این روش ها از NDVI گرفته شده توسط مقادیر حسگر برای تعیین شکل منحنی زمانی فعلی متعلق به هر پیکسل استفاده می کنند. ما از الگوریتم فیلترینگ گاوسی TIMESAT استفاده کردیم که در محیط‌های ناهمگن مانند سرزمین اصلی اسپانیا و جزایر بالئاریک عملکرد بهتری دارد [ 74]]. TIMESAT مکانیزم وزن دهی را ارائه می دهد، اگرچه برخی از مقادیر در سری زمانی NDVI می توانند تأثیرگذارتر از سایرین باشند. بنابراین، ما وزن‌های بالا را برای بازیابی با کیفیت بالاتر داده‌های MODIS و وزن‌های کم را برای داده‌های با کیفیت پایین‌تر اختصاص دادیم. بنابراین، بازیابی‌های ما با کیفیت پایین‌تر آنهایی بودند که کمتر بر منحنی هموار نهایی تأثیر گذاشتند. پس از به دست آوردن منحنی های هموارسازی NDVI در هر پیکسل، میانگین هر پیکسلی را که منطقه مورد مطالعه ( n = 368) را در سال (2001-2016) ساخته است، محاسبه کردیم. در نهایت، پیکسل هایی را که در آنها مقدار NDVI کمتر از صفر بود حذف کردیم، زیرا آنها را به عنوان خطا یا خاک خالی در نظر گرفتیم.

2.5. تحلیل های روند زمانی

از داده های میانگین مقادیر سالانه NDVI به دست آمده، همانطور که در بخش 2.5 توضیح داده شد ، ما تجزیه و تحلیل روند سالانه را آغاز کردیم. تحلیل روند از رویکردهای غیر پارامتریک، یعنی رگرسیون Theil-Sen [ 75 ، 76 ] استفاده کرد. شیب های روش رگرسیون برای اهمیت آماری خود با استفاده از آماره z و p -value آزمون من-کندال برای شیب ها مورد آزمایش قرار گرفتند. آزمون Mann-Kendall و رگرسیون Theil-Sen با استفاده از Clark Labs TerrSet Earth Trends Modeler (ETM) انجام شد که مجموعه‌ای یکپارچه از ابزارها برای تجزیه و تحلیل داده‌های سری زمانی تصویر است.
Mann–Kendall یک برآوردگر روند زمانی است که از شیب حداقل مربعات قوی‌تر است، زیرا نسبت به داده‌های پرت و کج حساسیت کمتری دارد ( https://clarklabs.org/terrset/ ). ما از این تخمین‌گر برای شناسایی پیکسل‌هایی استفاده کردیم که p -value (Mann–Kendall) کمتر از 0.1 (90% فاصله اطمینان (CI)) بود. پس از به دست آوردن پیکسل هایی که در نظر گرفتیم روند کوتاه مدت قابل توجهی دارند، از رگرسیون Theil-Sen برای بدست آوردن شیب های مثبت یا منفی Theil-Sen تمام پیکسل های روند NDVI قابل توجه از سال 2001 تا 2016 استفاده کردیم.
سپس با کمک نرم افزار سیستم اطلاعات جغرافیایی (GIS) از لایه شطرنجی فیلتر شده Theil-Sen با کلاس های گیاهی CLC 06 و Allué عبور کردیم.
شکل 4 فرآیند روش شناسی انجام شده برای به دست آوردن شیب های پیکسل Theil-Sen را از دوره 2001-2016، که به هر کلاس CLC 06 و آلوئه گیاهی در منطقه مورد مطالعه ما تعلق دارد، خلاصه می کند.

2.6. تحلیل های استنباطی

از پیکسل‌های با روند قابل‌توجه (90٪ CI) در دوره 2001-2016، که با کلاس‌های CLC 06 و Allué تلاقی داده شده‌اند، می‌توانیم درصد پیکسل‌هایی را با روندهای مثبت و منفی معنادار بر اساس منطقه جغرافیایی زیستی، پوشش زمین محاسبه کنیم. و منطقه گیاهی اقلیمی در منطقه مورد مطالعه. ما تجزیه و تحلیل واریانس را انجام دادیم که در آن متغیرهای عددی همیشه درصد پیکسل‌ها با روند قابل توجهی بودند (از دوره سالانه 2001-2016) و متغیرهای طبقه‌بندی کلاس‌های CLC 06 و مناطق گیاهی اقلیم آلوئه بودند. ما آزمون‌های ANOVA و آزمون کروسکال-والیس (یک آزمون غیر پارامتری زیرا داده‌های ما با فرض عدم تعادل) انجام شد. این آزمون های آنالیز واریانس برای مطالعه، اول از همه، انجام شد. آیا درصد پیکسل های روند قابل توجه (کل، مثبت و منفی) توسط CLC 06 و منطقه گیاهی در منطقه مورد مطالعه ما متفاوت است یا خیر. ما همچنین مدل‌های رگرسیون چندگانه (با متغیرهای ورودی مشابه برای آزمون‌های واریانس) ساختیم. بدین ترتیب، ما سهم مستقل هر متغیر توضیحی را به متغیر پاسخ مشارکت مشترک حاصل از همبستگی با سایر متغیرها، با استفاده از الگوریتم پارتیشن بندی سلسله مراتبی تعیین کردیم [77 ]. تست های پارتیشن بندی سلسله مراتبی با استفاده از نرم افزار R و با کمک “hier” انجام شد. part” بسته (نسخه 1.0-4). این مدل های رگرسیون چندگانه در زیر توضیح داده شده اند.
در مدل 1، متغیر مورد استفاده درصد پیکسل های معنی دار بود. در مدل 2، متغیر مورد استفاده درصد پیکسل های منفی معنی دار بود، در حالی که در مدل 3 این درصد، درصد پیکسل های مثبت معنی دار بود. برای سه مدل، متغیرهای توضیحی منطقه گیاهی و کلاس CLC 06 بودند.
علاوه بر این، ما یک جدول اقتضایی آماری ایجاد کردیم، یک نوع جدول در قالب ماتریس که CLC و توزیع فرکانس روند متغیرها را نمایش می‌دهد. جدول متقاطع دیگری تهیه کردیم، اما با انواع فیتوکلیماتیک و توزیع فراوانی روند این متغیرها. از این جدول، تفاوت درصد بین پیکسل های مثبت و منفی NDVI مشاهده شده و مورد انتظار را با روند کوتاه مدت NDVI قابل توجه محاسبه کردیم و نمودارهایی با این تفاوت ها ایجاد کردیم. کلاس هایی با کمتر از 30 پیکسل از این محاسبه حذف شدند.
دوره-آموزش-حرفه-ای-gis

3. نتایج

3.1. نتایج کلی روند کوتاه مدت موقت

شکل 5 نشان می دهد که چگونه روندهای مثبت NDVI پیکسل ها نسبت به روندهای منفی از سال 2001 تا 2016 رایج تر بوده است. تعداد کل پیکسل های استفاده شده بیش از 9000000 پیکسل بوده است. درصد پیکسل هایی با روند منفی قابل توجه به 7.6 درصد رسید، در حالی که درصد پیکسل هایی با روند مثبت قابل توجه به 11.8 درصد رسید. جدول 3 درصد پیکسل ها را بر اساس منطقه جغرافیایی زیستی نشان می دهد که روند NDVI مثبت و منفی قابل توجهی را نشان می دهند. منطقه اقیانوس اطلس 21.1 درصد از پیکسل ها با روند منفی و تنها 6.9 درصد از پیکسل ها با روند مثبت داشت. منطقه آلپاین با تنها 3.1 درصد از پیکسل ها با روند منفی و 16.4 درصد با روند مثبت، نتیجه عکس را نشان داد.
الگوی فضایی توزیع روند قابل توجه، که در شکل 5 نشان داده شده است، نشان می دهد که چگونه روندهای منفی قابل توجه به طور کلی در سواحل اقیانوس اطلس و مدیترانه اسپانیا، در جنوب رشته کوه ایبری، در رشته کوه سیرا مورنا، و در جزایر بالئاری ظاهر می شوند. .
در مقابل، روند مثبت NDVI از سال 2001 تا 2016 عمدتاً در شمال شرقی اسپانیا، فلات شمالی، سیستم مرکزی و دره گوادالکیویر قرار داشت.

3.2. نتایج تحلیل استنباطی درصد پیکسل با روند کوتاه‌مدت قابل توجه توسط کلاس‌های پوشش زمینی Allué Phytoclimatic و CORINE

نتایج تجزیه و تحلیل واریانس پارامتری (ANOVA) و ناپارامتریک (Kruskal-Wallis) که با استفاده از درصد کل پیکسل‌های معنی‌دار توسط هر کلاس گیاهی CLC و Allué انجام شد، به‌طور معنی‌داری (05/0p<) بر اساس نوع گیاهی و اشغال زمین متفاوت بود . . ما همچنین می‌توانیم تفاوت‌های آماری را در میانگین بین گروه‌های این دو کلاس (نوع‌های گیاهی CLC و Allué) مشاهده کنیم که تجزیه و تحلیل‌ها را ابتدا بر روی نمونه روند منفی معنی‌دار و سپس بر روی نمونه روند مثبت معنی‌دار انجام دادیم. درصد پیکسل مثبت و درصد پیکسل منفی نیز به طور قابل توجهی در مناطق گیاهی CLC و Allué متفاوت است.
شکل 6نمودار میانگین فاصله (95٪ CI) را از تجزیه و تحلیل واریانس نشان می دهد که در آن درصد پیکسل های روند قابل توجهی در نظر گرفته شده است. درصد میانگین نوع گیاهی آلوئه از 10% تا 25% متغیر بود. با این حال، درصد پوشش زمین CLC از 11٪ تا حدود 37٪ متغیر بود. دو نوع گیاه اقلیم آلوئه با درصد پیکسل قابل توجه کمتر، به طور متوسط، نوع X(IX)1 و X(IX)2 بودند، یعنی Oromarticoids یا آنهایی که کمتر تحت تاثیر آب و هوای مدیترانه ای قرار دارند و در مناطق کوهستانی مرتفع واقع شده اند. در مقابل، تیپ‌های گیاهی آلوئه با میانگین بالاتر از پیکسل‌های روند قابل توجه، مربوط به انواع III(IV) و IV(VI)2، VI(IV)3، VI(IV)4، VI(V) و VI بودند. (VII). نوع III (IV) و IV (VI) 2 خشک ترین انواع از منطقه مورد مطالعه ما هستند. انواع VI(IV)3 و VI(IV)4 بین نوع مدیترانه ای و نمورال هستند، یعنی، بین آب و هوای مدیترانه ای و قاره ای. در نهایت، انواع VI(V) و VI(VII) در رده ی نمورال، مشابه آب و هوای قاره ای قرار دارند (نگاه کنید بهشکل 6 الف). با کلاس CLC، می توان مشاهده کرد که درختان میوه و مزارع توت (222)، سواحل، تپه های شنی و ماسه (331)، و باتلاق های داخلی (411) دارای درصد بالاتری از روندهای قابل توجه از سال 2001 تا 2016 بودند. در مقابل، مراتع (231)، کشاورزی-جنگل (244)، مراتع طبیعی (321)، صخره‌های برهنه (332) و مناطق سوخته (334) مواردی بودند که کمترین درصد روند معنی‌دار را نشان دادند.
شکل 6 نمودار میانگین فاصله (95٪ CI) را از تجزیه و تحلیل واریانس نشان می دهد که در آن درصد پیکسل های منفی و مثبت معنی دار در نظر گرفته شده است. در یک نگاه می توان به این نکته اشاره کرد که بر اساس مناطق گیاهی آلوئه، بیشترین میزان روند منفی در نوع III(IV)، یعنی خشک، انواع IV(III) و IV(VI)2 در کلاس مدیترانه ای مشاهده شد. نوع VI (IV)3 در نوع نمو مدیترانه ای و VI (V) در کلاس نمورال (به طور متوسط ​​15٪ را گرد می کند). در مقابل، بالاترین درصد پیکسل‌های روند مثبت در انواع VI(IV)4 و VI (VII)، متعلق به انواع نمو مدیترانه‌ای و مدیترانه‌ای (بیش از 20%) یافت شد (شکل 6 را ببینید) .آ). از سوی دیگر، بر اساس کلاس CLC، بیشترین درصد روند منفی در مزارع برنج (213)، میوه‌ها (222)، باتلاق‌های داخلی (411) (بیش از 13 درصد) و بیشترین درصد روند مثبت در مزارع برنج مشاهده شد. باغ های زیتون (223)، سواحل و تپه های شنی (331)، و باتلاق های داخلی (411) (> 20%) ( شکل 6 ب را ببینید).
همانطور که در شکل 7 نشان داده شده استبیشترین تفاوت بین درصد پیکسل مثبت و درصد پیکسل منفی در نوع IV(III)، یعنی خشک، انواع VI(IV)1، VI(IV)2 و VI(IV)4 در نمو مشاهده شد. نوع مدیترانه ای، نوع VI(VII) در کلاس نمورال و نوع X(VIII) در دسته Oroboreal. علاوه بر این، همه این طبقات نشان می دهد که چگونه درصد مثبت بالاتر از منفی بوده است. در مورد کلاس های CLC نیز همین اتفاق افتاد. بیشترین تفاوت در درصد پیکسل‌های مثبت و منفی در زمین‌های زراعی غیرآبیاری (211)، تاکستان‌ها (221)، باغ‌های زیتون (223)، مناطق کشاورزی و جنگل‌داری (244)، سواحل و تپه‌ها (331) و سنگهای برهنه (332). در تمام این دسته بندی های CLC، درصد پیکسل های مثبت بیشتر از درصد پیکسل های منفی بود.
شکل 7 a درصد روند منفی کمی بالاتر از درصد روند مثبت در نوع IV(III) که خشک ترین نوع مدیترانه ای است را نشان می دهد. انواع IV(VI)1 و 2 (همچنین از نوع مدیترانه ای، اما کمترین خشکی در این دسته) نوع VI(V) از کلاس nemoral; و نوع VIII(VI) از نوع Oroboreal.
شکل 7 ب نشان می دهد که طبقات درختان میوه (222)، مراتع (231)، الگوهای کشت پیچیده (242)، و جنگل های پهن برگ (311) و مخروطیان (312) دارای درصد NDVI منفی بالاتری از سال 2001 تا 2016 بوده اند. درصد NDVI مثبت این درصد منفی در مورد توده های پهن برگ و سوزنی برگ بیشتر از یک سوم درصد مثبت بود.
اگرچه در شکل 7 نشان داده نشده است ، اما برای پیکسل های روند مثبت، ترکیباتی از مناطق CLC/Allué وجود دارد که در آنها درصد به ویژه بالا بود. روندهای آماری مثبت در باله‌ها و کوه‌ها (322) با نوع IV2 که از نوع گیاهی مدیترانه‌ای است، مشهود بود. و در سواحل، تپه‌ها و ماسه‌ها (331) با انواع VI و X(VIII) به ترتیب متعلق به کلاس‌های nemoral و Oroboreal هستند. برای روند منفی معنی دار، بیشترین درصد در درختان میوه با نوع VIII (IV) (کلاس Oroboreal) و در سواحل، تپه های شنی و ماسه با نوع IV (VI)1 (در کلاس مدیترانه) یافت شد.
شکل 8 درصد روندهای معنی دار را بر اساس کلاس CLC (a) و انواع گیاهی اقلیم (b) و نمودارهای تفاوت ( y) نشان می دهد.محور) با میله‌هایی که به ما امکان می‌دهند کلاس‌های CLC (c) و انواع گیاه‌اقلیمی (d) را با بالاترین درصد تفاوت بین روندهای منفی و مثبت NDVI مشاهده‌شده و مورد انتظار شناسایی کنیم. علامت روندهای منفی را برای نشان دادن دسته‌هایی با پویایی پوشش گیاهی مضر (برای روندهای منفی، درصدهای مشاهده شده بالاتر از درصدهای مورد انتظار و بالعکس برای روندهای مثبت) در قسمت پایین شکل تغییر دادیم. این نتایج تفاوت هایی را از نظر کلاس CLC و همچنین بر اساس نوع گیاه اقلیم نشان داد. بر اساس طبقه پوشش زمین، بیشترین درصد روند منفی در مزارع برنج (213)، میوه ها (222)، مراتع (231)، الگوهای کشت پیچیده (242)، همه جنگل ها (311، 312 و 313)، و هورها و جلگه (322). بیشترین درصد روند مثبت در مناطق آبیاری دائمی (212) مشاهده شد. مزارع برنج (213)، درختان میوه (222)، باغ های زیتون (223)، درختچه های جنگلی انتقالی (324)، و باتلاق های داخلی (411). می توان اشاره کرد که شش کلاس CLC روند منفی واضحی را نشان دادند (231، 242، 311، 312، 313، و 322) و شش کلاس دیگر CLC روند مثبت (211، 221، 223، 321، 331، و 411) را نشان دادند. .
از سوی دیگر می توان اشاره کرد که هشت کلاس گیاهی دارای روند منفی (III(IV)، IV2، IV(VII)، IV(VI)2، IV(VI)3، VI(V)، VI(V) بودند. )). در مقابل، شش کلاس گیاهی روند مثبتی را نشان دادند (IV4، VI (IV) 1، VI (IV) 2، VI (IV) 4، VI (VII)، و VI (VIII)).
در شکل 9 مشاهده می شود که درصدهای تفاوت بین روندهای کوتاه مدت NDVI مثبت و منفی که با ترکیب کلاس های CLC و انواع اقلیم گیاهی نشان داده شده است نیز متفاوت است. به عنوان مثال، در نمودار کلی از شکل 8 a، کلاس های 311، 312 و 313 CLC درصدی از پیکسل ها را با روند منفی بیشتر از میانگین و تا 50 درصد از تفاوت بین پیکسل های NDVI مشاهده شده و مورد انتظار را با معنی دار نشان می دهند. روندهای کوتاه مدت NDVI بنابراین، تکامل مقادیر NDVI از سال 2001 تا 2016 در کلاس‌های CLC فوق‌الذکر ضعیف بود. با این حال، اگر روی شکل 9 تمرکز کنیمa-c، ما می توانیم مشاهده کنیم که این مقادیر در برخی از انواع فیتوکلیماتیک رخ داده است، اما در برخی دیگر نه. به عنوان مثال، رفتار کلاس‌های 311 و 312 مشابه بود، به جز گیاه‌اقلیم IV (III)، با دینامیک خوب برای 311 و دینامیک بد برای 312. نوع VIII (VI) این یافته را در تضاد قرار می دهد. روند منفی در IV(VI)2 و IV(VI)2 برای 313، 311، و 312 رخ نداد. در تمام اقلیم های گیاهی، ما درصد بیشتری از روندهای منفی معنی دار NDVI را به جز در نوع IV (VI)1 پیدا کردیم. بیش از 1200٪ بین پیکسل های مشاهده شده و مورد انتظار) و در نوع IV3 (100٪ تفاوت بین پیکسل های مشاهده شده و مورد انتظار).
سه آزمایش پارتیشن بندی سلسله مراتبی (HP) انجام شده – با درصد کل پیکسل های روند معنی دار، توسط ترکیبات گیاهی آب و هوای CLC و Allué، به عنوان متغیر y- نشان داد که کل واریانس توضیح داده شده توسط این متغیرهای گیاهی CLC و Allué به 35 رسید. این همچنین برای HP متغیر عددی درصد روند منفی رخ داده است ( جدول 4 را ببینید). با این حال، کلاس های گیاهی CLC و Allué می توانند 46 درصد از درصد روند مثبت را توضیح دهند. با توجه به تنوع فردی توضیح داده شده در هر یک از سه مدل HP (I)، مهم است که موارد زیر را برجسته کنیم: در HP که برای توضیح درصد پیکسل های روند ساخته شده است، CLC سه برابر تنوع بیشتر از انواع فیتوکلیماتیک توضیح داده است. در نتایج آزمایش HP مربوط به روندهای منفی، انواع فیتوکلیماتیک درصد بیشتری از تنوع را نسبت به کلاس‌های CLC توضیح دادند. برعکس، در تست HP که برای توضیح درصد روند مثبت انجام شد، CLC تنوع بیشتری را نسبت به انواع فیتوکلیماتیک توضیح داد.

4. بحث

در این مطالعه، ما از داده‌های MODIS NDVI برای بررسی تغییرات طولانی‌مدت در سبزی پوشش گیاهی در سرزمین اصلی اسپانیا و جزایر بالئاریک از سال 2001 تا 2016 استفاده کردیم. ما درصد روندهای منفی و مثبت قابل‌توجهی را بر اساس اشغال‌های پوشش زمین و انواع اقلیم گیاهی ارزیابی کردیم. الگوها را در منطقه مورد مطالعه خود بیابید.
در مطالعه ما متوجه شدیم که در سرزمین اصلی اسپانیا و جزایر بالئاریک، میانگین سالانه مجموعه داده NDVI نشان داد که منطقه با روند مثبت قابل توجه (11.8٪) از قلمرو با روند منفی (7.6٪) مهم تر است. این فعالیت فزاینده فتوسنتزی با دیگر تجزیه و تحلیل های انجام شده توسط سری های زمانی ماهواره ای [ 21 ، 23 ، 78 ، 79 ، 80 ، 81 ، 82 ، 83 ] و تجزیه و تحلیل سری های زمانی مشاهدات میدانی فنولوژیکی (به عنوان مثال، مراجع [ 84 ، 85 ، 86 ، 87])، که شواهدی از شروع فصل رشد در دهه 1980 ارائه می دهد که عمدتاً مربوط به افزایش دمای بهار است. علاوه بر این، این جابجایی‌ها با افزایش انباشت سالانه روز در حال رشد مطابقت دارد و بیشترین تمرکز را در شرق ایالات متحده و اروپا دارد. رشد عمومی فعالیت فتوسنتزی در اروپا نیز با افزایش منطقه جنگلی، لقاح CO 2 ، رسوبات نیتروژن اتمسفر بالا، ساختار سن نوجوانان و تغییرات آب و هوایی توضیح داده شد [ 88 ].
ذکر این نکته حائز اهمیت است که درصد روند منفی معنی‌دار NDVI ما (7.6%) بالاتر از درصد روند منفی NDVI بود که در مطالعات دیگر برای همان سایت در اواخر قرن بیستم یافت شد [57 ، 89 ، 90 ، 91 ] . نتیجه منطقه زیست جغرافیایی اقیانوس اطلس کاملا غیرمنتظره است و برای پیکسل های دارای روند منفی به درصد 21.6 درصد می رسد. به عنوان مثال، در Alcaraz-Segura و همکاران. [ 89]، نویسندگان سازگاری روندهای NDVI 1982-1999 در شبه جزیره ایبری را در سراسر سری های زمانی مشتق شده از حسگر AVHRR ارزیابی کردند، همچنین با استفاده از روشی مشابه با روش مورد استفاده در اینجا، اما برای دوره های قبلی. آنها همچنین دریافتند که درصد روندهای مثبت در سرزمین اصلی اسپانیا بیشتر از درصد روندهای مثبت است. با این حال، درصد روند مثبت قابل توجهی که آنها پیدا کردند حدود 23٪ بود، در حالی که درصد روندهای منفی معنی دار کمتر از 1٪ بود. علاوه بر این، Fesholt و همکاران. [ 92 ] روند پوشش گیاهی را در مناطق خشک و نیمه خشک در سراسر جهان، از طریق محصول MOD13Q1 محاسبه کرد، و سبز شدن کلی برای مناطق نیمه خشک در سراسر جهان در طی 27 سال یافت. در فشولت و همکاران. [ 92] نتایج مربوط به سرزمین اصلی اسپانیا، می توان مشاهده کرد که چگونه اکثریت روندهای قابل توجه NDVI از سال 1982 تا 2007 مثبت بوده است. García-Ruíz et al. [ 58 ] یک روند مثبت تعمیم یافته اما روندهای منفی قابل توجهی در SW یافتند. منطقه اقیانوس اطلس در هیچ یک از این آثار روند منفی نشان داد.
تجزیه و تحلیل روندهای معنی دار NDVI از 2001-2016 در سرزمین اصلی اسپانیا و جزایر بالئاریک نشان داد که کلاس های گیاهی و CLC درصدهای متفاوتی از روندهای منفی و مثبت معنی دار داشتند. گونه‌های پوشش زمین و اقلیم گیاهی با تعداد بیشتری از روندهای مثبت یا منفی NDVI، تا حدی توسط عوامل اقلیمی و تا حدی توسط عوامل انسان‌شناسی توضیح داده می‌شوند، همانطور که سایر نویسندگان در مقالات خود در این زمینه گزارش کردند. با جزئیات بیشتر، نویسندگان دیگر گزارش کردند که پویایی پوشش گیاهی در سراسر جهان به طور کلی توسط آب و هوا، به ویژه، توسط بارش، تابش ورودی، و دما هدایت می شود [ 1 ، 4 ، 81 ، 93 ، 94 ، 95 ، 96.، 97 ]. علاوه بر این، در دسترس بودن مواد مغذی و اختلالات طبیعی و انسانی کوتاه‌مدت (مانند آتش‌سوزی، قطع درختان، اپیدمی‌های حشرات، تغییر کاربری زمین، و مدیریت کشاورزی) می‌تواند در مقیاس‌های مختلف مکانی و زمانی بسیار مهم باشد [5 ، 6 ، 7 ، 98 ] . هیل و همکاران [ 52 ] و سرا و همکاران. [ 99] گزارش داد که مهاجرت روستایی که در 30 سال آخر قرن 20 رخ داد، تغییرات پوشش زمین را از محصولات کشاورزی به مناطق انتقالی چوب-بوته‌ها و از مناطق سوخته به مکان‌های انتقالی چوب-بوته‌ها برانگیخت. این تغییرات در درختچه ها منجر به افزایش مقادیر NDVI در 30 سال آخر قرن بیستم شد و این نتایج تا حدی با نتایج منطقه مورد مطالعه NDVI مثبت و قابل توجه ما مطابقت دارد. با این حال، آنها روند منفی NDVI ما را توضیح ندادند.
روند منفی یافت شده در منطقه مورد مطالعه ما می تواند ناشی از وضعیت جت اقیانوس اطلس شمالی باشد. مشخص است که ناهنجاری هایی در مسیر جت اقیانوس اطلس شمالی وجود داشت که خشکسالی های شدیدتری را در برخی از ماه های بحرانی سال برای رشد پوشش گیاهی برانگیخت [ 100 ، 101 ]. علاوه بر این، برخی از تغییرات در چرخه بارش در اسپانیا مشاهده شد. در برخی مناطق، بارش در اسپانیا در طول دوره ای که ما در نظر گرفتیم کاهش یافت [ 102 ، 103 ، 104 ]. با این حال، مشخص نیست که آیا یک روند منفی کلی در بارندگی در 20 سال گذشته در نواحی مدیترانه وجود داشته است [ 105]]. آنچه واضحتر از کاهش بارندگی است، افزایش دمای جهانی از قرن گذشته است [ 1 ، 57 ، 102 ، 103 ، 104 ]. در خورچانی و همکاران. [ 57 ] یا پاپاگیانوپولو و همکاران. [ 1گزارش شده است که در یک الگوی کلی در شمال شبه جزیره اسپانیا، عوامل محدود کننده رشد پوشش گیاهی دما و تابش خورشید است، در حالی که در مرکز و جنوب این منطقه، عامل محدود کننده ته نشینی. در مطالعات دیگر، ما دریافتیم که، به طور کلی، زمانی که عامل محدود کننده بارش بود، افزایش دما به کاهش مقدار NDVI تبدیل شد. در همین حال، زمانی که عامل محدود کننده رشد پوشش گیاهی دما بود، افزایش دما منجر به کاهش مقدار NDVI یا روند مثبت NDVI در منطقه مورد مطالعه ما شد [ 57]]. این کاملاً با نتایج ما مطابقت نداشت. یک نمونه در منطقه اقیانوس اطلس ما یافت شد، جایی که انتظار نداشتیم کاهش عمده ای در مقادیر NDVI پیدا کنیم، همانطور که در دوره 2001 تا 2016 شاهد بودیم.
درصد روندهای قابل توجه NDVI مشاهده شده توسط گونه های گیاهی نشان داد که تفاوت های آماری وجود دارد و در برخی از این انواع، روندهای مثبت و در برخی دیگر، روندهای منفی قابل توجه غالب بودند (شکل 8 را ببینید ) . در منطقه مورد مطالعه ما، گرایش های گیاهی تیپ های مدیترانه ای رفتارهای متفاوتی از خود نشان دادند. جالب است بدانید که انواع گیاهی مدیترانه ای گرمتر (tf > 9.5°: IV(III) و IV2)، انواع گرمتر بین مدیترانه ای و نمو مدیترانه ای (tf > 7.5°: IV(VI)2 و VI (IV) 3) و انواع گرمتر نمورال روند منفی نشان دادند. این الگوی یافت شده در مطالعه ما باید با این واقعیت توضیح داده شود که افزایش دما در تابستان [ 57]، علاوه بر برخی خشکسالی های گزارش شده در مناطقی که این گونه های اقلیم گیاهی در آنها قرار دارند، منجر به کاهش فعالیت فتوسنتزی شدند [ 106 ، 107 ]. این نتایج با نتایج سایر نویسندگانی که مدل‌هایی را ارائه می‌کنند که نشان می‌دهد چگونه مناطق زیر مدیترانه‌ای با افزایش دما و افزایش فراوانی خشکسالی‌ها در تابستان بیشترین آسیب را متحمل می‌شوند، همزمان است [65 ] .
انواع نمو مدیترانه ای پیکسل های بالاتری را با روندهای مثبت قابل توجه تری نسبت به روندهای منفی ارائه کردند ( شکل 7 الف را ببینید). همانطور که در شکل 7 الف مشاهده می شود، تفاوت در میانگین انواع NDVI nemo-مدیترانه ای بین روندهای منفی و مثبت زیاد بود . بنابراین، این را می توان با این واقعیت توضیح داد که بارش یک عامل محدود کننده برای این گونه ها نیست ( جدول 2 را ببینید) و افزایش دما می تواند با افزایش فعالیت پوشش گیاهی مرتبط باشد، همانطور که سایر نویسندگان برای مناطق معتدل ذکر کردند. جهان (به عنوان مثال، مراجع [ 21 ، 23 ، 57 ، 78 ، 79 ، 80 ،82 ، 108 ]. همین امر در مورد انواع گیاه آب و هوای نمورال که بیشتر شبیه انواع نمو مدیترانه ای هستند، یعنی کلاس VI(V) و کلاس گیاهی VI رخ داد – به نظر می رسد توضیح یکسان باشد. با این حال، ما نتوانستیم این الگو را در نوع VI (V) یادداشت کنیم. آخرین اقلیم گیاهی ذکر شده در شمال غربی سرزمین اصلی اسپانیا واقع شده است ( شکل 3 را ببینید ) و با این منطقه اقیانوس اطلس شمالی که در آن ما انتظار نداشتیم غلبه روندهای منفی NDVI را پیدا کنیم منطبق است. این روندها را می توان با ناهنجاری های موجود در مسیر جت اقیانوس اطلس شمالی توضیح داد [ 101] که می تواند مربوط به کاهش اتمسفر ابری باشد یا می تواند خشکسالی های شدیدتری را در برخی از ماه های بحرانی سال برای رشد پوشش گیاهی ایجاد کند. عوامل دیگر می تواند تخریب زمین و طاعون حشرات، علاوه بر نرخ بالای رها شدن و تکه تکه شدن زمین، چرای بیش از حد شدید، و افزایش وقوع آتش سوزی جنگلی در دهه های اخیر باشد [109 ، 110 ، 111 ] . علاوه بر این، در این منطقه، مطالعات دیگر نشان می دهد که گونه های Fagus sylvatica در مناطق شمالی اسپانیا نسبت به گونه های واقع در مناطق جنوبی اسپانیا در برابر تغییرات آب و هوایی مقاومت کمتری دارند [ 112]]. در نتیجه، لازم به ذکر است که ما دوره طولانی را مشاهده نکردیم و تحقیقات آینده در آن منطقه ممکن است برای ارزیابی و پایش پوشش گیاهی در آن منطقه اقیانوس اطلس، که کمتر از مناطق خشک یا نیمه خشک مورد مطالعه قرار گرفته است، ضروری باشد.
انواع فیتوکلیماتیک Oromaticoid آنهایی هستند که با مرتفع ترین مناطق کوهستانی سایت مورد مطالعه ما مطابقت دارند. در این مناطق، ما غلبه روندهای مثبت NDVI را پیدا کردیم. این نتایج با نتایج به دست آمده توسط سایر نویسندگان برای مناطق کوهستانی [ 88 ، 89 ] مطابقت دارد.
از نظر پوشش زمین، ما همچنین تفاوت های آماری را در درصد روندهای مثبت و منفی NDVI در دوره مورد مطالعه پیدا کردیم. سه پوشش کشاورزی – مناطق دائمی آبی (212)، مزارع برنج (213)، و درختان میوه (222) – درصد زیادی از روندهای منفی و مثبت را نشان دادند. این پوشش‌های زمین به میزان زیادی به دسترسی به آب بستگی دارد و محدودیت‌های متفاوتی در منطقه اعمال شد. با این حال، زمانی که آب مشکلی ندارد، پوشش گیاهی آبی می‌تواند از دمای بالاتر استفاده کند، همانطور که برای توده‌های برگ‌های پهن (311) و مخروطی‌ها (312) اتفاق افتاد ( شکل 7 ب را ببینید). در مورد این دو CLC برای توضیح کاهش الگوی پوشش گیاهی ذکر این نکته ضروری است که درصدهای روند منفی نشان داده شده در شکل 7b در مجموع به دلیل درصد روند منفی محلی دو طبقه منفی بودند. علاوه بر این، گیاه اقلیم IV(VI)2 متعلق به کلاس مدیترانه ای است و نوع VI (V) در کلاس نمورال (بیشتر از 21 درصد در هر دو مورد) قرار دارد. بنابراین، جنگل‌های پهن برگ و سوزنی‌برگ از خط ساحلی شمال مدیترانه و خط ساحلی شمالی اقیانوس اطلس را می‌توان با تأثیر بیماری‌ها و برگ‌زدایی درختان در آن مناطق توضیح داد.
انواع پوششی که درصد روند مثبت بالاتری نسبت به روند منفی داشتند، مربوط به باغ های انگور (221)، باغ های زیتون (223) و سواحل، تپه های شنی و ماسه (331) بود. تاکستان‌ها و باغ‌های زیتون در سرزمین اصلی اسپانیا و جزایر بالئاریک دارای مناطق آبیاری دائمی بودند. بنابراین، افزایش دما می تواند به افزایش فعالیت پوشش گیاهی تبدیل شود.
در نهایت، ذکر این نکته ضروری است که نتایج مدل HP ما نشان می‌دهد که تغییرات در درصد منفی بالاتر است، همانطور که توسط انواع گیاه آب و هوای Allué توضیح داده شد، در حالی که روندهای مثبت بیشتر توسط انواع پوشش زمین توضیح داده شد. همانطور که در مدل آماری عمومی، روند مثبت بیشتری نسبت به منفی داشتیم. نتایج نشان می‌دهد که بدون ایجاد تمایز بین روندهای منفی و مثبت، انواع پوشش زمین بیشترین تغییر را در درصد پیکسل‌های روند معنی‌دار توضیح می‌دهند. همانطور که با آزمون استنباطی ما و توضیحات یافت شده در مقاله حاضر اشاره کردیم، انواع پوشش زمین و طبقات اقلیم گیاهی تفاوت های مشخصی را در درصد روندهای قابل توجه خود نشان دادند که می تواند با دلایل مختلف آب و هوایی و انسانی توضیح داده شود. ما تشخیص دادیم که مجموعه داده‌های سنجش از دور یکی از بهترین گزینه‌ها برای ارزیابی روند پویایی پوشش گیاهی هستند. بنابراین، تحقیق بیشتر در مورد این موضوع برای درک و مدیریت موثر قلمرو خود در مواجهه با چالش‌های آینده بسیار مهم است.
دوره-آموزش-حرفه-ای-gis

5. نتیجه گیری ها

در این مطالعه، ما روند NDVI را از سال 2001 تا 2016 در سرزمین اصلی اسپانیا و جزایر بالئاریک، منطقه ای با سه منطقه جغرافیایی زیستی و با تنوع آب و هوایی و پوشش گیاهی ارزیابی کردیم. مهمترین یافته های این پژوهش به شرح زیر است:
  • روندهای معنی دار توزیع غیر تصادفی را نشان دادند. ما تفاوت های زیادی بین مناطق زیست جغرافیایی، و انواع گیاهی و پوشش زمین پیدا کردیم.
  • روند منفی غیرمنتظره منطقه اقیانوس اطلس می تواند پاسخی به تغییرات آب و هوایی، با افزایش دمای جهانی و تنوع بیشتر بارندگی باشد.
  • پوشش زمین و اقلیم گیاهی تقریباً 35 درصد از واریانس را توضیح دادند. پوشش اراضی بیشتر روندهای مثبت و اقلیم گیاهی بیشتر روندهای منفی را تبیین کردند.
  • انواع گرمتر هر گیاه اقلیم عمومی پویایی پوشش گیاهی منفی را نشان داد. برای مثال، از نوع نمو مدیترانه ای، گرم ترین نوع روند منفی را نشان داد، در حالی که انواع دیگر روند NDVI مثبت را نشان دادند.
  • پوشش اراضی جنگلی به ویژه برای گیاه اقلیم های IV2، IV(VI)2، IV(VI)3 روند منفی داشت. و VI (V). برای مراتع، تنها نوع IV (VI) 1 مقادیر منفی واضحی را نشان داد. نکته جالب توجه این است که، برای برخی از اقلیم‌های گیاهی، بیشتر پوشش زمین رفتاری مشابه روندهای NDVI داشتند، اما برای برخی دیگر، رفتار برعکس بود.

منابع

  1. پاپاگیانوپولو، سی. Miralles، DG; دوریگو، WA; ورهوست، NEC; فقرا، م. Waegeman, W. ناهنجاری های گیاهی ناشی از بارش های پیشین در بیشتر نقاط جهان. محیط زیست Res. Lett. 2017 , 12 , 074016. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  2. McPherson، RA مروری بر فعل و انفعالات پوشش گیاهی-جو و تأثیرات آنها بر پدیده های مقیاس متوسط. Prog. فیزیک Geogr. 2007 ، 31 ، 261-285. [ Google Scholar ] [ CrossRef ]
  3. Teuling، AJ; تیلور، سی ام. Meirink، JF; ملسن، لس آنجلس؛ گونزالس میرالس، دی. ون هیرواردن، سی سی; واتارد، آر. استگهویس، هوش مصنوعی؛ Nabuurs، GJ; Vila-Guerau de Arellano، J. شواهد مشاهده ای برای افزایش پوشش ابر در جنگل های اروپای غربی. نات. اشتراک. 2016 . [ Google Scholar ] [ CrossRef ] [ PubMed ]
  4. نمانی، ر.ر. کیلینگ، سی دی; هاشیموتو، اچ. Jolly، WM; پایپر، SC; تاکر، سی جی; Myneni، RB; در حال اجرا، SW آب و هوا رانده در تولید اولیه خالص زمینی جهانی از 1982 تا 1999 افزایش می یابد. Science 2003 , 300 , 1560-1563. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  5. فایفر، م. دیزنی، ام. کوایف، تی. Marchant، R. اکوسیستم های زمینی از فضا: بررسی محصولات مشاهده زمین برای کاربردهای ماکرواکولوژی. گلوب. Ecol. بیوگ. 2012 ، 21 ، 603-624. [ Google Scholar ] [ CrossRef ]
  6. رایششتاین، ام. بهن، م. سیایس، پی. فرانک، دی. ماهچا، MD; Seneviratne، SI; Zscheischler، J. آبجو، سی. بوخمن، ن. فرانک، دی سی افراطی های آب و هوا و چرخه کربن. Nature 2013 , 500 , 287. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  7. Le Quere، C. Budget، Global Carbon. سیستم زمین علمی داده 2016 ، 8 ، 605-649. [ Google Scholar ] [ CrossRef ]
  8. چورکینا، جی. شیمل، دی. براسول، BH; Xiao، X. تجزیه و تحلیل فضایی کنترل طول فصل رشد بر روی تبادل خالص اکوسیستم. گلوب. چانگ. Biol. 2005 ، 11 ، 1777-1787. [ Google Scholar ] [ CrossRef ]
  9. پیائو، اس. فریدلینگشتاین، پی. سیایس، پی. د نوبله-دوکودره، ن. لباط، د. Zaehle, S. تغییرات آب و هوا و کاربری زمین تأثیر مستقیم بیشتری نسبت به افزایش CO2 بر روند رواناب رودخانه های جهانی دارد. Proc. Natl. آکادمی علمی ایالات متحده آمریکا 2007 ، 104 ، 15242-15247. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  10. فریدلینگشتاین، پی. کاکس، پی. بتس، آر. باپ، ال. فون بلوه، دبلیو. بروکین، وی. کادول، پ. دونی، اس. ابی، م. Fung، I. تجزیه و تحلیل بازخورد چرخه کربن آب و هوا: نتایج حاصل از مقایسه مدل C4MIP. جی. کلیم. 2006 ، 19 ، 3337-3353. [ Google Scholar ] [ CrossRef ]
  11. فریدلینگشتاین، پی. بازخوردهای آب و هوای پرنتیس، IC کربنات: بررسی برآوردهای مبتنی بر مدل و مشاهدات. Curr. نظر. محیط زیست حفظ کنید. 2010 ، 2 ، 251-257. [ Google Scholar ] [ CrossRef ]
  12. ریچاردسون، AD; سیاه، TA; سیایس، پی. دلبارت، ن. فریدل، MA; گوبرون، ن. هالینگر، دی. Kutsch، WL; لانگدوز، بی. Luyssaert، S. تأثیر گذارهای فنولوژیکی بهار و پاییز بر بهره وری اکوسیستم جنگلی. فیلوس ترانس. R. Soc. B Biol. علمی 2010 ، 365 ، 3227-3246. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  13. پان، ی. Birdsey، RA; نیش، جی. هاتون، آر. Kauppi، PE; کورز، WA; فیلیپس، OL; شویدنکو، آ. لوئیس، اس ال. Canadell, JG یک سینک کربن بزرگ و پایدار در جنگل های جهان. Science 2011 ، 333 ، 988-993. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  14. زو، ز. Woodcock، CE; اولوفسون، پی. نظارت مستمر بر اختلالات جنگل با استفاده از تمام تصاویر موجود لندست. سنسور از راه دور محیط. 2012 ، 122 ، 75-91. [ Google Scholar ] [ CrossRef ]
  15. هانسن، ام سی; پوتاپوف، PV؛ مور، آر. هنچر، م. توروبانوا، اس. تیوکاوینا، آ. تاو، دی. Stehman، SV; گوتز، اس جی. لاولند، TR نقشه های جهانی با وضوح بالا از تغییر پوشش جنگلی قرن بیست و یکم. Science 2013 ، 342 ، 850-853. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  16. جانسون، پی. Eklundh, L. استخراج فصلی با برازش تابع به سری های زمانی داده های سنسور ماهواره ای. IEEE Trans. Geosci. Remote Sens. 2002 , 40 , 1824-1832. [ Google Scholar ] [ CrossRef ]
  17. لاتیفویچ، آر. پولیو، دی. نظارت بر تغییرات طولانی مدت پوشش گیاهی تجمعی در منطقه ماسه‌های نفتی آتاباسکا. IEEE J. Sel. بالا. Appl. زمین Obs. Remote Sens. 2014 , 7 , 3380–3392. [ Google Scholar ] [ CrossRef ]
  18. وربسلت، ج. هیندمن، آر. زیلیس، ع. Culvenor، D. تشخیص تغییرات فنولوژیکی در حالی که روندهای ناگهانی و تدریجی در سری های زمانی تصاویر ماهواره ای را محاسبه می کند. سنسور از راه دور محیط. 2010 ، 114 ، 2970-2980. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  19. تاکر، سی جی; پینزون، جی. براون، من؛ Slayback، DA; پاک، EW; ماهونی، آر. Vermote، EF; El Saleous، N. مجموعه داده NDVI 8 کیلومتری AVHRR که با داده های MODIS و NDVI پوشش گیاهی SPOT سازگار است. بین المللی J. Remote Sens. 2005 ، 26 ، 4485-4498. [ Google Scholar ] [ CrossRef ]
  20. فروشندگان، بازتاب PJ Canopy، فتوسنتز و تعرق. بین المللی J. Remote Sens. 1985 ، 6 ، 1335-1372. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  21. Myneni، RB; کیلینگ، سی دی; تاکر، سی جی; اسرار، گ. نمانی، RR افزایش رشد گیاه در عرض های جغرافیایی بالا شمالی از 1981 تا 1991. Nature 1997 , 386 , 698. [ Google Scholar ] [ CrossRef ]
  22. ژانگ، ایکس. فریدل، MA; Schaaf، CB; استراهلر، ق. هاجز، JCF; گائو، اف. رید، ق.م. Huete, A. پایش فنولوژی گیاهی با استفاده از MODIS. سنسور از راه دور محیط. 2003 ، 84 ، 471-475. [ Google Scholar ] [ CrossRef ]
  23. استوکلی، آر. Vidale، فنولوژی گیاهی و آب و هوای اروپایی PL همانطور که در مجموعه داده پارامترهای سطح زمین AVHRR 20 ساله دیده می شود. بین المللی J. Remote Sens. 2004 , 25 , 3303-3330. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  24. پنگ، جی. لیو، ز. لیو، ی. وو، جی. هان، ی. تحلیل روند پویایی پوشش گیاهی در فلات چینگهای-تبت با استفاده از نمای هرست. Ecol. اندیک. 2012 ، 14 ، 28-39. [ Google Scholar ] [ CrossRef ]
  25. ژائو، جی. وانگ، ی. هاشیموتو، اچ. Melton، FS; هیات، SH; ژانگ، اچ. نمانی، RR تغییرات فنولوژی سطح زمین از سال 1982 تا 2006 در امتداد دنباله آپالاش. IEEE Trans. Geosci. Remote Sens. 2013 , 51 , 2087–2095. [ Google Scholar ] [ CrossRef ]
  26. پیائو، اس. نیش، جی. ژو، ال. گوا، کیو. هندرسون، ام. جی، دبلیو. لی، ی. تائو، S. تغییرات بین سالانه شاخص گیاهی تفاوت نرمال شده ماهانه و فصلی (NDVI) در چین از سال 1982 تا 1999. J. Geophys. Res. اتمس. 2003 ، 108 . [ Google Scholar ] [ CrossRef ]
  27. مائو، دی. وانگ، ز. لو، ال. Ren, C. ادغام داده های AVHRR و MODIS برای نظارت بر تغییرات NDVI و روابط آنها با پارامترهای آب و هوایی در شمال شرقی چین. بین المللی J. Appl. زمین Obs. Geoinf. 2012 ، 18 ، 528-536. [ Google Scholar ] [ CrossRef ]
  28. چیریچی، جی. برباتی، ع. کرونا، پی. مارکتی، ام. تراواگلینی، دی. مازلی، اف. برتینی، آر. روش‌های ناپارامتریک و پارامتری با استفاده از تصاویر ماهواره‌ای برای تخمین حجم در حال رشد موجودی در اکوسیستم‌های جنگلی آلپ و مدیترانه. سنسور از راه دور محیط. 2008 ، 112 ، 2686-2700. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  29. پاتیل، وی. سینگ، آ. نایک، ن. Unnikrishnan، S. برآورد ذخایر کربن حرا با استفاده از تکنیک های سنجش از دور و GIS. Wetlands 2015 ، 35 ، 695-707. [ Google Scholar ] [ CrossRef ]
  30. آلکاراز-سگورا، دی. کابلو، جی. Paruelo، J. توصیف پایه انواع پوشش گیاهی اصلی ایبری بر اساس پویایی NDVI. بوم گیاهی. 2009 ، 202 ، 13-29. [ Google Scholar ] [ CrossRef ]
  31. هوئسکا، ام. مرینو دی میگل، اس. اکلوند، ال. لیتاگو، جی. سیکوئندز، وی. رودریگز-راستررو، م. Ustin, SL; Palacios-Orueta، A. ارزیابی عملکردی اکوسیستم بر اساس مفهوم “نوع نوری” و الگوهای خود شباهت: برنامه ای با استفاده از همبستگی سری زمانی MODIS-NDVI. بین المللی J. Appl. زمین Obs. Geoinf. 2015 ، 43 ، 132-148. [ Google Scholar ] [ CrossRef ]
  32. کابلو، جی. فرناندز، ن. آلکاراز-سگورا، دی. اویونارته، سی. پینیرو، جی. آلتسور، ا. دلیبس، م. Paruelo, JM بعد عملکرد اکوسیستم در حفاظت: بینش از سنجش از دور. تنوع زیستی حفظ کنید. 2012 ، 21 ، 3287-3305. [ Google Scholar ] [ CrossRef ]
  33. آتزبرگر، سی. کلیش، آ. ماتیوزی، م. Vuolo، F. معیارهای فنولوژیکی که در قاره اروپا از داده های NDVI3g و سری زمانی MODIS مشتق شده است. Remote Sens. 2014 , 6 , 257. [ Google Scholar ] [ CrossRef ]
  34. عدالت، CO; تاونشند، جی آر جی؛ هولبن، BN; تاکر، ECJ تجزیه و تحلیل فنولوژی پوشش گیاهی جهانی با استفاده از داده های ماهواره ای هواشناسی. بین المللی J. Remote Sens. 1985 ، 6 ، 1271-1318. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  35. تاونشند، جی آر جی؛ عدالت، تجزیه و تحلیل دی اکسید کربن پویایی پوشش گیاهی آفریقا با استفاده از شاخص گیاهی تفاوت نرمال شده. بین المللی J. Remote Sens. 1986 ، 7 ، 1435-1445. [ Google Scholar ] [ CrossRef ]
  36. اهل، DE; Gower، ST; باروز، SN; شعبانوف، NV; Myneni، RB; Knyazikhin، Y. پایش فنولوژی تاج بهاره یک جنگل پهن برگ با استفاده از MODIS. سنسور از راه دور محیط. 2006 ، 104 ، 88-95. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  37. بوستتو، ال. کلمبو، آر. میگلیاواکا، م. کرمونز، ای. مرونی، م. گالواگنو، ام. روسینی، ام. سینیسکالکو، سی. مورا دی سلا، یو. Pari، E. سنجش از دور چرخه فنولوژیکی کاج اروپایی و تجزیه و تحلیل روابط با آب و هوا در منطقه آلپ. گلوب. چانگ. Biol. 2010 ، 16 ، 2504-2517. [ Google Scholar ] [ CrossRef ]
  38. کلمبو، آر. بوستتو، ال. فاوا، ف. دی مائورو، بی. میگلیاواکا، م. کرمونز، ای. گالواگنو، ام. روسینی، ام. مرونی، م. Cogliati، S. پایش فنولوژیکی مرتع و کاج اروپایی در کوه های آلپ از تصاویر Terra و Aqua MODIS. Rivista Italiana di Telerilevamento 2011 ، 43 ، 83-96. [ Google Scholar ]
  39. هممینا، جی. دوفرنه، ای. پونتیلر، جی. دلپیر، ن. اوبینت، ام. کاکه، بی. د گراندکورت، آ. بوربن، بی. فلچارد، سی. Granier، A. ارزیابی پتانسیل داده های ماهواره ای MODIS برای پیش بینی فنولوژی گیاهی در بیوم های مختلف: بررسی با استفاده از اندازه گیری های NDVI زمینی. سنسور از راه دور محیط. 2013 ، 132 ، 145-158. [ Google Scholar ] [ CrossRef ]
  40. اکلوند، ال. یوهانسون، تی. Solberg، S. نقشه برداری از برگ ریزش حشرات در کاج اسکاتلندی با داده های سری زمانی MODIS. سنسور از راه دور محیط. 2009 ، 113 ، 1566-1573. [ Google Scholar ] [ CrossRef ]
  41. Sesnie، SE; دیکسون، بی جی; روزن استاک، اس اس; Rundall، JM مقایسه شاخص‌های پوشش گیاهی Landsat TM و MODIS برای تخمین فنولوژی علوفه در زیستگاه گوسفند شاخ بیابانی (Ovis canadensis nelsoni) در صحرای Sonoran، ایالات متحده. بین المللی J. Remote Sens. 2012 ، 33 ، 276-286. [ Google Scholar ] [ CrossRef ]
  42. آهنگ، ی. آهنگ، سی. لی، ی. هو، سی. یانگ، جی. Zhu، X. اثرات کوتاه مدت افزودن نیتروژن و حذف پوشش گیاهی بر خواص شیمیایی و بیولوژیکی خاک در مرداب آب شیرین در دشت سانجیانگ، شمال شرقی چین. کاتنا 2013 ، 104 ، 265-271. [ Google Scholar ] [ CrossRef ]
  43. هولبن، BN ویژگی‌های تصاویر ترکیبی با حداکثر ارزش از داده‌های زمانی AVHRR. بین المللی J. Remote Sens. 1986 ، 7 ، 1417-1434. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  44. شوکنخت، آ. اراسمی، س. نیمایر، آی. Matschullat، J. ارزیابی تنوع پوشش گیاهی و روند در شمال شرقی برزیل با استفاده از سری زمانی AVHRR و MODIS NDVI. یورو J. Remote Sens. 2013 ، 46 ، 40-59. [ Google Scholar ] [ CrossRef ]
  45. گوا، کیو. کلی، م. گراهام، CH ماشین‌های بردار پشتیبانی برای پیش‌بینی توزیع مرگ ناگهانی بلوط در کالیفرنیا. Ecol. مدل. 2005 ، 182 ، 75-90. [ Google Scholar ] [ CrossRef ]
  46. ژائو، ام. هاینش، FA; نمانی، ر.ر. در حال اجرا، SW بهبود مجموعه داده های جهانی تولید ناخالص و خالص اولیه زمینی MODIS. سنسور از راه دور محیط. 2005 ، 95 ، 164-176. [ Google Scholar ] [ CrossRef ]
  47. گوا، ایکس. ژانگ، اچ. وو، زی. ژائو، جی. ژانگ، زی. مقایسه و ارزیابی سری زمانی سالانه NDVI در چین برگرفته از محصولات NOAA AVHRR LTDR و Terra MODIS MOD13C1. Sensors 2017 , 17 , 1298. [ Google Scholar ]
  48. فنشولت، آر. Sandholt، I. ارزیابی شاخص‌های پوشش گیاهی MODIS و NOAA AVHRR با اندازه‌گیری‌های درجا در یک محیط نیمه خشک. بین المللی J. Remote Sens. 2005 ، 26 ، 2561-2594. [ Google Scholar ] [ CrossRef ]
  49. فنشولت، آر. سندهولت، آی. Stisen، S. ارزیابی شاخص‌های پوشش گیاهی MODIS، MERIS و VEGETATION با استفاده از اندازه‌گیری‌های درجا در یک محیط نیمه خشک. IEEE Trans. Geosci. Remote Sens. 2006 ، 44 ، 1774-1786. [ Google Scholar ] [ CrossRef ]
  50. جولین، ی. Sobrino، J. مقایسه روش‌های بازسازی ابر برای سری‌های زمانی داده‌های ترکیبی NDVI. سنسور از راه دور محیط. 2009 ، 114 ، 618-625. [ Google Scholar ] [ CrossRef ]
  51. Gouveia، CM; Trigo، RM; بگریا، اس. اثرات خشکسالی Vicente-Serrano، SM بر فعالیت پوشش گیاهی در منطقه مدیترانه: ارزیابی با استفاده از داده‌های سنجش از دور و شاخص‌های خشکسالی چند مقیاسی. گلوب. سیاره. چانگ. 2017 ، 151 ، 15-27. [ Google Scholar ] [ CrossRef ]
  52. هیل، جی. استلمز، ام. اودلهوون، تی. رودر، آ. سامر، بیابان زایی و تخریب زمین مدیترانه جنوبی: نقشه برداری سندرم های تغییر کاربری اراضی مرتبط بر اساس مشاهدات ماهواره ای. گلوب. سیاره. چانگ. 2008 ، 64 ، 146-157. [ Google Scholar ] [ CrossRef ]
  53. پنیا-گالاردو، ام. ویسنته-سرانو، اس ام. کاماررو، جی جی. گازول، ع. سانچز-سالگوئرو، آر. دومینگز-کاسترو، اف. ال کناوی، ا. Beguería-Portugés, S.; گوتیرز، ای. دی لوئیس، م. و همکاران حساسیت به خشکی بر رشد جنگل در شبه جزیره اسپانیا و جزایر بالئاریک Forests 2018 , 9 , 524. [ Google Scholar ] [ CrossRef ]
  54. IPCC تغییرات آب و هوایی 2014: تأثیرات، سازگاری و آسیب پذیری. بخش A: جنبه های جهانی و بخشی. مشارکت گروه کاری دوم در پنجمین گزارش ارزیابی هیئت بین دولتی تغییرات آب و هوایی . Field، CB، Barros، VR، Dokken، DJ، Mach، KJ، Mastrandrea، MD، Bilir، TE، Chatterjee، M.، Ebi، KL، Estrada، YO، Genova، RC، و همکاران، Eds.; انتشارات دانشگاه کمبریج: کمبریج، انگلستان; نیویورک، نیویورک، ایالات متحده آمریکا، 2014; پ. 1132. [ Google Scholar ]
  55. IPCC تغییرات آب و هوایی 2014: تأثیرات، سازگاری و آسیب پذیری. بخش ب: جنبه های منطقه ای. مشارکت گروه کاری دوم در پنجمین گزارش ارزیابی هیئت بین دولتی تغییرات آب و هوایی . Barros, VR, Field, CB, Dokken, DJ, Mastrandrea, MD, Mach, KJ, Bilir, TE, Chatterjee, M., Ebi, KL, Estrada, YO, Genova, RC, et al., Eds.; انتشارات دانشگاه کمبریج: کمبریج، انگلستان; نیویورک، نیویورک، ایالات متحده آمریکا، 2014; پ. 688. [ Google Scholar ]
  56. دیچ، جی.ام. ساپوندجیف، جی.ام. Feirer, TS مشخصه تغییرپذیری بارش و روندها در مناطق مدیترانه ای-اقلیمی جهان. Water 2017 , 9 , 259. [ Google Scholar ] [ CrossRef ]
  57. خورچانی، م. ویسنته-سرانو، اس ام. آزورین-مولینا، سی. گارسیا، ام. مارتین هرناندز، ن. پنیا-گالاردو، ام. ال کناوی، ا. Domínguez-Castro، F. روند LST در شبه جزیره اسپانیا همانطور که از داده های تصویری AVHRR مشتق شده است. گلوب. سیاره. چانگ. 2018 ، 166 ، 75-93. [ Google Scholar ] [ CrossRef ]
  58. گارسیا-روئیز، جی.ام. لوپز-مورنو، جی. ویسنته-سرانو، اس ام. لاسانتا مارتینز، تی. Beguería، S. منابع آب دریای مدیترانه در یک سناریوی تغییر جهانی. Earth-Sci. Rev. 2011 , 105 , 121-139. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  59. ویسنته-سرانو، اس ام. لوپز-مورنو، جی. بگریا، اس. لورنزو-لاکروز، جی. سانچز-لورنزو، آ. گارسی-روئیز، جی.ام. آزورین-مولینا، سی. مورن تجدا، ای. روولتو، جی. Trigo, R. شواهدی از افزایش شدت خشکسالی ناشی از افزایش دما در جنوب اروپا. محیط زیست Res. Lett. 2014 ، 9 ، 044001. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  60. ویسنته-سرانو، اس ام. آزورین-مولینا، سی. سانچز-لورنزو، آ. روولتو، جی. لوپز-مورنو، جی. گونزالس-هیدالگو، جی سی. موران تجدا، ای. Espejo، F. تغییرپذیری تبخیر و تعرق مرجع و روندها در اسپانیا، 1961-2011. گلوب. سیاره. چانگ. 2014 ، 121 ، 26-40. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  61. هودار، جی. کاسترو، جی. Zamora، R. Pine کاترپیلار راهپیمایی Thaumetopoea pityocampa به عنوان یک تهدید جدید برای جنگل‌های کاج باقی مانده مدیترانه‌ای اسکاتلندی تحت گرم شدن آب و هوا. Biol. حفظ کنید. 2003 ، 110 ، 123-129. [ Google Scholar ] [ CrossRef ]
  62. باتیستی، ا. استستانی، م. Netherer، S. روبینت، سی. شوف، آ. Roques، A. Larsson, S. گسترش دامنه جغرافیایی در پروانه صفوفی کاج ناشی از افزایش دمای زمستان. Ecol. Appl. 2005 ، 15 ، 2084-2096. [ Google Scholar ] [ CrossRef ]
  63. آندرئو، ال. گوتیرز، ای. ماسیاس، ام. ریباس، م. بوش، او. Camarero، JJ Climate تنوع رشد درختان منطقه ای را در جنگل های کاج ایبری افزایش می دهد. گلوب. چانگ. Biol. 2007 ، 13 ، 804-815. [ Google Scholar ] [ CrossRef ]
  64. مارکز، ال. کاماررو، جی جی. گازول، ع. Zavala، MA تأثیر خشکسالی بر رشد درخت دو گونه کاج در امتداد شیب ارتفاعی و استفاده از آنها به عنوان سیگنال های هشدار دهنده اولیه تغییرات احتمالی در توزیع گونه های درختی. برای. Ecol. مدیریت 2016 ، 381 ، 157-167. [ Google Scholar ] [ CrossRef ]
  65. هرناندز، ال. سانچز دی دیوس، آر. مونتس، اف. ساینز-اولرو، اچ. Cañellas، I. کاوش تغییر دامنه گونه های درخت متضاد در سراسر یک منطقه انتقال زیست اقلیم. یورو جی. برای. Res. 2017 ، 136 ، 481-492. [ Google Scholar ] [ CrossRef ]
  66. والادارس، اف. پنیولاس، جی. de Luis Calabuig، E. Impactos sobre los ecosistemas terrestres. در Evaluación de los Impactos del Cambio Climático en España ; مورنو، جی ام، اد. Ministryio de Medio Ambiente: مادرید، اسپانیا، 2004; صص 65-112. [ Google Scholar ]
  67. Allué, JL Atlas Fitoclimático de España: Taxonomias ; وزیر کشاورزی، Pesca y Alimentación: مادرید، اسپانیا، 1990; پ. 221.
  68. Gavilán، RG; فرناندز-گونزالس، اف. Blasi، C. طبقه بندی اقلیمی و ترتیب سیستم مرکزی اسپانیایی: روابط با پوشش گیاهی بالقوه. بوم گیاهی. 1998 ، 139 ، 1-11. [ Google Scholar ] [ CrossRef ]
  69. بنیتو گارزون، ام. سانچز دی دیوس، آر. Sainz Ollero, H. اثرات تغییر اقلیم بر پراکنش گونه های درختی ایبری. Appl. گیاهی علمی 2008 ، 11 ، 169-178. [ Google Scholar ] [ CrossRef ]
  70. سانچز دی دیوس، آر. بنیتو-گارزون، ام. Sainz-Ollero، H. گسترش حال و آینده قلمروهای زیر مدیترانه ایبری که از توزیع بلوط های ماسه ای تعیین می شود. بوم گیاهی. 2009 ، 204 ، 189-205. [ Google Scholar ] [ CrossRef ]
  71. منطقه اقتصادی اروپا دستورالعمل های فنی CLC2006. در آژانس محیط زیست اروپا ؛ Cope: Tucson، AZ، ​​USA، 2007. [ Google Scholar ]
  72. ریواس مارتینز، اس. گاندولو، جی.ام. سرادا، آر. Allué، JL; مونترو، جی ال. González, JL Mapa de Series de Vegetación de España y Memoria ; Publicaciones del Ministriio de Agricultura, Pesca y Alimentación: مادرید، اسپانیا، 1987.
  73. Didan, K. MOD13Q1 MODIS/Terra Vegetation Indices 16-Day L3 Global 250m SIN Grid V006. 2015. توزیع شده توسط NASA EOSDIS LP DAAC. در دسترس آنلاین: https://doi.org/10.5067/MODIS/MOD13Q1 (در 17 ژانویه 2019 قابل دسترسی است).
  74. باچو، ع. Archibald، S. تأثیر استفاده از مقادیر خاص تاریخ هنگام استخراج معیارهای فنولوژیکی از داده‌های ترکیبی NDVI 8 روزه. در مجموعه مقالات تجزیه و تحلیل تصاویر سنجش از دور چند زمانی، لوون، بلژیک، 18-20 ژوئیه 2007. صص 1-4. [ Google Scholar ]
  75. اولتوف، آی. باسون، سی. فریزر، R. گسترش امضا از طریق فضا برای طبقه بندی پوشش زمین شمالی: مقایسه روش های تصحیح رادیومتری. سنسور از راه دور محیط. 2005 ، 95 ، 290-302. [ Google Scholar ] [ CrossRef ]
  76. فرناندس، آر. رگرسیون خطی Leblanc، SG پارامتریک (حداقل مربعات اصلاح شده) و ناپارامتریک (Theil-Sen) برای پیش‌بینی پارامترهای بیوفیزیکی در حضور خطاهای اندازه‌گیری. سنسور از راه دور محیط. 2005 ، 95 ، 303-316. [ Google Scholar ] [ CrossRef ]
  77. چوان، ا. ساترلند، ام. پارتیشن بندی سلسله مراتبی. صبح. آمار 1991 ، 45 ، 90-96. [ Google Scholar ]
  78. ژو، ال. تاکر، سی جی; کافمن، RK; Slayback، D.; شعبانوف، NV; Myneni، RB تغییرات در فعالیت پوشش گیاهی شمال استنباط از داده های ماهواره ای از شاخص پوشش گیاهی در طول 1981 تا 1999. J. Geophys. Res. اتمس. 2001 ، 106 ، 20069-20083. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  79. بوگارت، جی. ژو، ال. تاکر، سی جی; Myneni، RB; Ceulemans, R. شواهدی برای یک روند سبز مداوم و گسترده در اوراسیا استنباط شده از داده های شاخص پوشش گیاهی ماهواره ای. جی. گیفیز. Res. 2002 ، 107 ، 1-15. [ Google Scholar ] [ CrossRef ]
  80. Slayback، DA; پینزون، جی. Los, SO; تاکر، CJ روند فتوسنتزی نیمکره شمالی 1982-1999. گلوب. چانگ. Biol. 2003 ، 9 ، 1-15. [ Google Scholar ] [ CrossRef ]
  81. لیو، YY; ون دایک، AIJM; De Jeu، RAM؛ Canadell، JG; مک کیب، ام.اف. ایوانز، جی پی؛ وانگ، جی. وارونگی اخیر در از دست دادن زیست توده زمینی جهانی. نات. صعود چانگ. 2015 ، 5 ، 470. [ Google Scholar ] [ CrossRef ]
  82. خو، سی. لیو، اچ. ویلیامز، AP; یین، ی. Wu، X. به سمت اوج اولیه فصل رشد در نیمکره شمالی عرض های جغرافیایی میانی گرایش دارد. گلوب. چانگ. Biol. 2016 ، 22 ، 2852-2860. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  83. کوک، BI; Pau, S. ارزیابی جهانی از روند سبز شدن و قهوه ای شدن طولانی مدت در اراضی مرتعی با استفاده از مجموعه داده GIMMS LAI3g. Remote Sens. 2013 ، 5 ، 2492–2512. [ Google Scholar ] [ CrossRef ]
  84. روتیشاوزر، تی. لوترباخر، جی. ژانرت، اف. فایستر، سی. Wanner, H. بازسازی مبتنی بر فنولوژی تغییرات بین سالانه در فصول بهار گذشته. جی. ژئوفیس. Res. 2007 ، 112 ، G04016. [ Google Scholar ] [ CrossRef ]
  85. استودر، اس. استوکلی، آر. آپنزلر، سی. Vidale، PL مطالعه تطبیقی ​​فنولوژی ماهواره ای و زمینی. بین المللی J. Biometeorol. 2007 ، 51 ، 405-414. [ Google Scholar ] [ CrossRef ]
  86. دلبارت، ن. پیکارد، جی. لو توآن، تی. کرگوات، ال. کوگان، اس. وودوارد، IAN؛ رنگ، D.; Fedotova، V. فنولوژی بهار در اوراسیا شمالی در مقیاس زمانی نزدیک به قرن. گلوب. چانگ. Biol. 2008 ، 14 ، 603-614. [ Google Scholar ] [ CrossRef ]
  87. شلیپ، سی. لوترباخر، جی. Menzel، A. مدل‌سازی سری‌های زمانی و ارزیابی تأثیر دمای اروپای مرکزی سوابق فنولوژیکی در 250 سال گذشته. جی. ژئوفیس. Res. 2008 ، 113 ، G04026. [ Google Scholar ] [ CrossRef ]
  88. لویسرت، اس. سیایس، پی. پیائو، اس ال. شولز، ED; یونگ، ام. زائله، س. شلهاس، ام جی; رایششتاین، ام. چورکینا، جی. پاپال، دی. تعادل کربن اروپا. بخش سوم: جنگل ها گلوب. چانگ. Biol. 2010 ، 16 ، 1429-1450. [ Google Scholar ] [ CrossRef ]
  89. آلکاراز-سگورا، دی. لیرا، ای. تبیک، س. پارولو، جی. Cabello, J. ارزیابی سازگاری روندهای NDVI 1982-1999 در شبه جزیره ایبری در چهار سری زمانی مشتق شده از حسگر AVHRR: LTDR، GIMMS، FASIR، و PAL-II. سنسورها 2009 ، 10 ، 1291-1314. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  90. مارتینز، بی. Gilabert، MA دینامیک گیاهی از تحلیل سری زمانی NDVI با استفاده از تبدیل موجک. سنسور از راه دور محیط. 2009 ، 113 ، 1823-1842. [ Google Scholar ] [ CrossRef ]
  91. ویسنته-سرانو، اس ام. لاسانتا، تی. رومو، الف. تجزیه و تحلیل تکامل مکانی و زمانی پوشش گیاهی در پیرنه مرکزی اسپانیا: نقش مدیریت انسانی. محیط زیست مدیریت 2004 ، 34 ، 802-818. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  92. فنشولت، آر. لانگانکه، تی. راسموسن، ک. رینبرگ، ا. شاهزاده، SD; تاکر، سی. اسکولز، RJ; Le، QB; بوندو، آ. Eastman, R. Greenness در مناطق نیمه خشک در سراسر جهان 1981-2007: تجزیه و تحلیل مبتنی بر ماهواره با مشاهده زمین از روندها و محرک ها. سنسور از راه دور محیط. 2012 ، 121 ، 144-158. [ Google Scholar ] [ CrossRef ]
  93. لوچت، دبلیو. پرنتیس، آی سی; Myneni، RB; سیچ، اس. فریدلینگشتاین، پی. کرامر، دبلیو. بوسکه، پ. بوئرمن، دبلیو. اسمیت، ب. کنترل اقلیمی روند سبز شدن پوشش گیاهی در عرض جغرافیایی بالا و اثر پیناتوبو. Science 2002 ، 296 ، 1687-1689. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  94. پیائو، اس. نیش، جی. ژو، ال. زو، بی. تان، ک. تائو، اس. تغییرات در بهره وری اولیه خالص پوشش گیاهی از سال 1982 تا 1999 در چین. گلوب. بیوژئوشیمی. Cycles 2005 , 19 , GB2027. [ Google Scholar ] [ CrossRef ]
  95. جیاپائر، جی. یی، Q. یائو، اف. ژانگ، پی. مقایسه روش‌های تعیین شاخص سطح برگ غیر مخرب و بهینه‌سازی طرح‌های نمونه‌برداری در یک اکوسیستم باز Populus euphratica . شهری برای. سبز شهری. 2017 ، 26 ، 114-123. [ Google Scholar ] [ CrossRef ]
  96. مونتالدو، ن. آلبرتسون، جی دی. مانچینی، M. پویایی پوشش گیاهی و تعادل آب خاک در اکوسیستم مدیترانه ای محدود از آب در ساردینیا، ایتالیا. هیدرول. سیستم زمین علمی بحث و گفتگو. 2008 ، 5 ، 219-255. [ Google Scholar ] [ CrossRef ]
  97. تاجسون، تی. فنشولت، آر. کراپلی، اف. گیرو، آی. هوریون، اس. ایهامر، ا. آردو، جی. دینامیک در شارهای تبادل کربن برای یک اکوسیستم ساوانای نیمه خشک در غرب آفریقا. کشاورزی اکوسیستم. محیط زیست 2015 ، 205 ، 15-24. [ Google Scholar ] [ CrossRef ]
  98. زو، س. ژونگ، ی. ژائو، بی. Xia، G.-S. Zhang، L. طبقه‌بندی‌کننده صحنه کیسه‌ای از کلمات بصری با ویژگی‌های محلی و جهانی برای تصاویر سنجش از دور با وضوح فضایی بالا. IEEE Geosci. سنسور از راه دور Lett. 2016 ، 13 ، 747-751. [ Google Scholar ] [ CrossRef ]
  99. سرا، پ. ورا، ا. تولا، AF; Salvati، L. فراتر از دوگانگی شهری-روستایی: بررسی فرآیندهای اجتماعی-اقتصادی و کاربری زمین تغییر در اسپانیا (1991-2011). Appl. Geogr. 2014 ، 55 ، 71-81. [ Google Scholar ] [ CrossRef ]
  100. گونزالس-هیدالگو، جی سی. ویسنته-سرانو، اس ام. دی لوئیس، ام. Raventós, J. تفاوت‌های فضایی در تأثیر الگوهای جوی ارتباطات راه دور بر بارش زمستانی در شرق شبه جزیره ایبری. ژئوفیز. Res. Abstr. 2003 ، 3 ، 1856. [ Google Scholar ]
  101. تروئت، وی. بابست، اف. Meko، M. تغییرات اخیر جت اقیانوس اطلس شمالی در تابستان بالا از بافت سه قرنی پدیدار می شود. نات. اشتراک. 2018 ، 9 ، 180. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  102. لوپز-مورنو، جی. موران تجدا، ای. ویسنته سرانو، اس ام. لورنزو-لاکروز، جی. García-Ruiz، JM تأثیر تکامل آب و هوا و تغییرات کاربری زمین بر عملکرد آب در حوضه ابرو. هیدرول. سیستم زمین علمی 2010 ، 15 ، 311-322. [ Google Scholar ] [ CrossRef ]
  103. دل ریو، اس. کانو اورتیز، ا. هررو، ال. Penas، A. روندهای اخیر در میانگین حداکثر و حداقل دمای هوا در اسپانیا (1961-2006). نظریه. Appl. کلیماتول. 2011 ، 109 ، 605-626. [ Google Scholar ] [ CrossRef ]
  104. ال کناوی، ا. لوپز-مورنو، جی. Vicente-Serrano، SM روند و تغییرپذیری دمای هوای سطحی در شمال شرقی اسپانیا (1920-2006): پیوند با گردش جوی. اتمس. Res. 2012 ، 106 ، 159-180. [ Google Scholar ] [ CrossRef ]
  105. Zeleňáková، M. پورکز، پی. Blišťan، P. ورانایووا، ز. هلاواتا، اچ. دیاکونو، دی. Portela، M. روند بارش و دما در شرق اسلواکی (1962-2014). Water 2017 , 10 , 727. [ Google Scholar ] [ CrossRef ]
  106. سیپل، اس. Zscheischler، J. Reichstein، M. اثرات اکوسیستم شدید آب و هوا به طور اساسی به زمان بستگی دارد. Proc. Natl. آکادمی علمی ایالات متحده آمریکا 2016 ، 113 ، 5768–5770. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  107. سیپل، اس. فورکل، ام. رامیگ، ا. تونیک، ک. فلاش، ام. هیمن، ام. اتو، FEL؛ رایششتاین، ام. Mahecha، MD تغییرات متضاد و متقابل در سیکل کربن شبیه سازی شده بهار و تابستان در اکوسیستم های اروپایی. محیط زیست Res. Lett. 2017 , 12 , 075006. [ Google Scholar ] [ CrossRef ]
  108. لیو، CR; بری، PM; داوسون، تی پی؛ پیرسون، RG انتخاب آستانه وقوع در پیش‌بینی توزیع گونه‌ها. اکوگرافی 2005 ، 28 ، 385-393. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  109. گارسیا-روئیز، جی.ام. Lana-Renault، N. پیامدهای هیدرولوژیکی و فرسایشی رها شدن زمین های کشاورزی در اروپا، با اشاره ویژه به منطقه مدیترانه – بررسی. کشاورزی اکوسیستم. محیط زیست 2011 ، 140 ، 317-338. [ Google Scholar ] [ CrossRef ]
  110. بلانکو فونتائو، بی. کوودو، ام. Obeso، JR رها کردن استفاده‌های سنتی در مناطق کوهستانی: تفکر گونه‌شناختی در مقابل داده‌های سخت در کوه‌های Cantabrian (NW اسپانیا). تنوع زیستی حفظ کنید. 2011 ، 20 ، 1133-1140. [ Google Scholar ] [ CrossRef ]
  111. رودریگز، ام. Jiménez-Ruano، A. پنیا-آنگولو، دی. de la Riva، J. تجزیه و تحلیل مکانی-زمانی جامع عوامل محرک آتش سوزی های جنگلی ناشی از انسان در اسپانیا با استفاده از رگرسیون لجستیک دارای وزن جغرافیایی. جی. محیط زیست. مدیریت 2018 . [ Google Scholar ] [ CrossRef ] [ PubMed ]
  112. هررو، آ. Zavala، MA (Eds.) Los Bosques y la Biodiversidad Frente al Cambio Climático: Impactos، Vulnerabilidad y Adaptación en España ; وزیر کشاورزی، Alimentación y Medio Ambiente: مادرید، اسپانیا، 2015.
شکل 1. نقشه منطقه مورد مطالعه ما با مناطق جغرافیایی زیستی (Mapa de regiones biogeográficas estatal; © Ministryio para la Transición Ecológica (MITECO)).
شکل 2. نقشه هماهنگی اطلاعات در مورد محیط زیست (CORINE) طبقات پوشش زمین (CLC) 2006 در سطح 1 تفکیک از منطقه مورد مطالعه ما.
شکل 3. نقشه انواع یا مناطق گیاهی آلوئه در سرزمین اصلی اسپانیا و جزایر بالئاریک.
شکل 4. طرح پردازش داده ها. TS به داده های شیب Theil-Sen و MK به آزمون Mann-Kendall اشاره دارد.
شکل 5. الگوی فضایی که از تقاطع شیب‌های Theil-Sen با آزمون Mann-Kendall ( z -statistic) حاصل شده است، میانگین‌های سالانه را از 2001-2016 آزمایش می‌کند که طیف‌سنجی با وضوح متوسط ​​(MODIS) شاخص گیاهی تفاوت نرمال شده (NDVI) را نشان می‌دهد. رنگ قرمز پیکسل ها را با شیب های Theil–Sen منفی و آمار z Mann–Kendall زیر 0.1 (روند قابل توجه) نشان می دهد. رنگ سبز پیکسل ها را با شیب های Theil-Sen مثبت و آمار z Mann-Kendall زیر 0.1 (روند قابل توجه) نشان می دهد. در نهایت، رنگ سیاه پیکسل ها را با آمار z Mann–Kendall بالاتر از 0.1 نشان می دهد (روند غیر قابل توجه).
شکل 6. نمودارهای فاصله (95% فاصله اطمینان (CI)) از تجزیه و تحلیل واریانس. برچسب های محور x مناطق گیاهی آب و هوایی Allué ( a ) و کد CORINE Land-Cover هستند. ( ب ) محور y درصد پیکسل های روند قابل توجه ( p < 0.1) را نشان می دهد.
شکل 7. نمودارهای فاصله ای (95٪ CI) از آنالیزهای واریانس. برچسب های محور x مناطق گیاهی آب و هوایی Allué ( a ) و کدهای CLC هستند. ( ب ) محور y درصد پیکسل های روند معنی دار ( p < 0.1) مثبت (در رنگ سبز) و منفی (در رنگ قرمز) را نشان می دهد.
شکل 8. درصد پیکسل ها با روند قابل توجه بر اساس کلاس CORINE Land-Cover ( a ) و بر اساس نوع گیاه اقلیم ( b ). منفی با منفی (در رنگ قرمز) و مثبت به رنگ سبز نشان داده می شود. خطوط مقادیر میانگین هستند. تفاوت در درصد ( محور y ) بین NDVI منفی مشاهده شده و مورد انتظار، با پیکسل های روند کوتاه مدت منفی (در رنگ قرمز) و مثبت (در رنگ سبز) از منطقه مورد مطالعه ما توسط کلاس CORINE Land-Cover (c) و توسط نوع گیاهی ( d ).
شکل 9. تفاوت در درصد ( محور y ) بین پیکسل های روند کوتاه مدت NDVI منفی مشاهده شده و مورد انتظار (در رنگ قرمز) و مثبت (به رنگ سبز) از منطقه مورد مطالعه ما، بر اساس نوع اقلیم گیاهی، در 311 ( a ) ، کلاس های 312 ( b )، 313 ( c ) و 321 ( d ) CORINE Land-Cover.

بدون دیدگاه

دیدگاهتان را بنویسید