برآورد تغييرات جنگل براساس عوامل اقليمي با استفاده ازتصاوير ماهواره اي

پوشش گياهي ارتباط زيادي با شرايط اقليمي دارد. شناسايي تغييرپذيري فصلي رشد گياه براي شناسايي پاسخ اكوسيستم ها به تغيير اقليم در مقياس هاي زماني فصلي و بين ساليانه تعيين كننده است. براي ارائه مدل پيش بيني 7 عنصر آب و هوايي شامل بارش، دما و رطوبت نسبي (حداكثر، ميانگين و حداقل) براي دوره 20 ساله (2006-1987) در 141 ايستگاه سينوپتيك و كليماتولوژي به داده فضايي تبديل شد.تركيب مقادير حداكثر ماهانه NDVI از تصاوير NOAA-AVHRR در همان دوره استخراج گرديد. سپس عناصر آب و هوايي به عنوان متغير مستقل و NDVI به عنوان متغير وابسته در رگرسيون خطي چند متغيره وارد شد. نتايج نشان داد كه بالاترين ضريب همبستگي بين عناصر اقليمي و مقدار NDVI در ماه مي به مقدار 82/0 اتفاق مي افتد كه اوج سبزينگي است. كمترين همبستگي در زمستان به خاطر نبود رشد كافي درختان مي باشد. ضريب همبستگي سالانه مقدار مدل با حالت محاسباتي با در نظر گرفتن خطاي تصادفي بيش از 93/0 مي باشد. در مجموع مقدار محاسباتي ماه مي و ژوئن براي سال هاي 2004 و 2005 به ضريب همبستگي مدل نزديك است، اما در ماه هاي زمستان به دليل نبود سبزينگي ضريب همبستگي كم مي شود. در سال 2006 به دليل خشكي شديدتر در اواخر بهار (ماه ژوئن) پيش بيني كمتري صورت گرفته است. در زمستان نقش كنترلي دما بيش از بارش و رطوبت نسبي است، اما با افزايش دما و كاهش بارش و رطوبت نسبي از اوايل ماه مي نقش بارش و رطوبت نسبي مثبت و دما منفي مي شود. فصل پاييز از نقش بارش كاسته و دما افزوده مي شود.

Cover vegetation is much related to climatic conditions. Recognition of seasonal variability the vegetation growth is important to determine the ecosystems response to climate change in seasonal and interannual scales. In this research, to produce the predicted model, we used from climatic factors (precipitation, temperature and relative humidity (maximum, mean, minimum) during 20 years (1987-2006), and these data (141 weather stations) interpolated. So, calculate monthly the maximum value composite of NDVI from NOAA-AVHRR images that same during. Then, have computed Multivariate Least Squares regression from climatic factors (independent variables) and NDVI (dependent variable). The result show, most correlation between climatic factors and NDVI is about of 0.82 and occurring in May, that is highest growth. The lowest correlation is occurring in winters, because is not growing. The annual correlation in calculated model is more than 0.93 with inter the accidental errors. Totally, the calculated NDVI for May and Jun in during 2004-2005 years is close to predicted model, but in winters are distances from together. For the severe drought are lower predicted in 2006 at spring (Jun). In winter the role of temperature is more than precipitation and relative humidity in predicted model, but in earlier of May the role of precipitation and relative humidity is positive and temperature is negative, because is increasing temperature and decrease of precipitation and relative humidity. In autumn, is increasing the role of temperature and decrease the role of precipitation in predicted model.