بررسي قابليت شاخص هاي مختلف دورسنجي در بارزسازي پوششهاي سطح زمين در مناطق خشك(مطالعه موردي: نجم آباد ساوجبلاغ)

امروزه علاقه مندي زيادي به بررسي محتواي كيفي داده هاي ماهواره‌اي براي مطالعات مختلف علوم زمين وجود دارد. شاخص ها يكي از روشهاي بارزسازي در استخراج اطلاعات مفيد در تصاوير ماهواره‌ايست. در اين تحقيق سعي شده است تا اثر شاخص هاي مختلف ازجمله شاخص هايMIRV2 GREENNESS, TVI, VNIR, MND, MSAVI, GEMI, TSAVI, SAVI, PD322 ,BI, INT1, INT2, PVI, SI1, SI2, SI3, GEMI, و WDVI در بارزسازي پوشش سطح زمين در منطقه اي در شمال غربي استان تهران در نزديكي هشتگرد بررسي شود. پوشش اراضي غالب منطقه را پوشش گياهي متراكم (بيشتر شامل اراضي كشاورزي و پوششهاي متراكم درختچه اي اطراف آبراهه‌ها در خردادماه) و اراضي لخت تشكيل مي دهد. نتايج نشان مي دهد كه شاخص هاي NIR, RA, IPVI, DVI, TSAVI و IR1در بارزسازي پوششهاي گياهي مناطق خشك و شاخص هايSI3, INT1, PVI, TVI, BI, SI2 وSI1 در بارزسازي سطح شوري مناسب مي‌باشند. بررسي همبستگي شاخص هاي مختلف با يكديگر نشان داد كه شاخص هاي گياهي بغير از شاخص DVI با يكديگر داراي همبستگي بيش از 8/0 و همبستگي شاخص DVI با ساير شاخص هاي گياهي حدود 4/0 مي باشد. در ضمن تمامي شاخص هاي شوري داراي همبستگي بيش از 9/0 با يكديگر مي باشند. بنابراين مي توان نتيجه گرفت كه در منطقه مطالعاتي با استفاده از تصاوير سنجنده LISS-III، از شاخص هاي پوشش گياهي كه توانايي در بارزسازي پوشش گياهي دارند مي توان براي مطالعات مربوط به پوشش گياهي و تهيه نقشه پوشش گياهي استفاده نمود. همچنين از شاخصهاي شوري كه داراي توانايي در بارزسازي سطح شور مي باشند مي توان براي مطالعات مربوط به شوري و تهيه نقشه هاي شوري استفاده نمود. در ضمن مي توان از شاخص هاي پوشش گياهي كه داراي همبستگي بالايي با يكديگر مي‌باشند بجاي يكديگر و از شاخص هاي شوري كه داراي همبستگي بالايي با يكديگر مي باشند بجاي يكديگر استفاده نمود.

Recently there is a great deal of interest in the quantitative characterization of temporal and spatial vegetation patterns with remotely sensed data for the study of earth system science. One of important methods for extracting information from satellites image is use of indices. In this study for enhancement of land cover in region of northwest Tehran near Hashtgerd some indices such as BI, MIRV2, GREENNESS, TVI, VNIR, MND، NIR, OSAVI, RA, NDVI, IR1, MSI IPV ,MSAVI, SAVI, TSAVI, PD322 ,BI, INT1, INT2, PVI, SI1, SI2, SI3, GEMI, WDVI Are used. Most of study area covers by density of vegetation (such as irrigation farming and vegetation cover around streams) and bare lands. The results have shown that TSAVI, DVI, IPVI, RA, NIR, IR1 Indices have the most effective efficiency for vegetation enhancement and SI2, BI, TVI, PVI, INT1, SI3, SI2 indices have the most effective efficiency for salinity surface. This study addressed that all of vegetation indices except DVI have correlation more than 0.8 and DVI has correlation around 0.4 with others. Meanwhile all of salinity indices have more than 0.9 correlations with each other. As conclusion, this study has shown that IRS satellites image have high accuracy for providing land cover map by use of vegetation indices, also use of salinity indices having high capability for salinity surface can be used for providing salinity maps, meanwhile vegetation indices with high correlation can be used instead each other for providing vegetation maps.