مقايسه كارايي شاخص‌هاي گياهي و آناليز تركيب طيفي در تهيه نقشه پوشش گياهي مراتع

مطالعه حاضر با هدف مقايسه كارايي شاخص‌هاي گياهي به‌عنوان روش‌هاي پيكسلي، و آناليز تركيب طيفي (SMA) به‌عنوان روش تحت پيكسلي در پهنه‌بندي پوشش گياهي مراتع منطقه سميرم استان اصفهان انجام يافته است. ابتدا پيش‌پردازش‌هاي هندسي و راديومتريك بر تصوير لندست TM سال 1388 اعمال گرديد. سپس رابطه همبستگي بين درصد تاج‌پوشش گياهي اندازه‌گيري‌شده كه با روش قدم نقطه در 30 سايت نمونه‌برداري اندازه‌گيري شده بود، در مطالعات ميداني با 4 گروه شاخص گياهي شامل NDVI، PD54، SBI، GVI و STVI-1 و روش SMA در سه گروه مختلف پوشش گياهي 25-0 درصد، 50-25 درصد و < 50% در محيط نرم‌افزار SPSS16 ارزيابي شد. در گروه با درصد پوشش گياهي اندك (25-0 درصد) SMA در مقايسه با شاخص‌هاي گياهي بيشترين كارايي را نشان داد (05/0P < و 52/0=2R). با افزايش پوشش گياهي، كارايي شاخص‌هاي گياهي افزايش يافت و در گروه با بيش از 50 درصد پوشش گياهي، تمام شاخص‌هاي گياهي همبستگي بالاتري در‌مقايسه با SMA با داده‌هاي زميني داشتند. به‌طور‌كلي، نتايج حاكي از آن است كه در مناطق با درصد پوشش گياهي متوسط به‌بالا روش‌هاي ساده برپايه پيكسل ـ از‌جمله NDVI ـ ابزارهاي مناسب‌تري براي ارزيابي پوشش گياهي هستند و روش تحت پيكسل SMA در مناطق با پوشش گياهي كم‌ كارآمدتر است. در تحقيق حاضر روش SMA به‌عنوان جايگزين شاخص‌هاي گياهي در ارزيابي وضعيت پوشش گياهي فقير محيط‌هاي خشك و نيمه‌خشك كشور پيشنهاد مي‌شود.

This study aimed to compare the performance of pixel-based (vegetation indices, VIs) and subpixel-based (spectral mixture analysis, SMA) methods in mapping rangeland vegetation cover in Semirom region, Isfahan Province. First, the 2009 Landsat TM data was geometrically and radiametrically corrected. Then, the percentage of canopy cover was determined using step-point technique in radial direction in 30 sampling sites. The collected field data was correlated with different groups of VIs, including slop-based (NDVI), distance-based (PD54), orthogonal transformations (GVI and SBI) and plant-water sensitive (STVI-1) and also SMA in SPSS.16 software environment. To evaluate the performance of VIs and SMA techniques, vegetation cover data was classified in three percentage groups including 0-25, 25-50 and > 50. In low vegetation cover group (0-25%), SMA in comparison with VIs had the highest relationship with field vegetation cover data (R2=0.52, p < 0.05). Relationships between VIs and field cover data increased with increasing vegetation cover and all the VIs performed better than SMA where the percentage of vegetation cover was higher than 50%. In general, results presented here indicate that simple pixel-based techniques (e.g. NDVI) appear to be appropriate tools for assessing vegetation cover in medium and highly vegetated regions and SMA is a useful subpixel-based approach in areas with sparse vegetation cover. Therefore, this research suggests that SMA technique could be used as an alternative to VIsin arid and semi-arid environments of Iran.