ارزیابی شاخص‌های سنجش از دور در براورد میزان کربن آلی زی توده گیاهان مرتعی منطقه حفاظت شده لشگر در

سابقه و هدف: تعیین میزان ماده آلی ذخیره شده پوشش گیاهی مراتع برای پایش وضعیت مرتع و اصلاح و توسعه مراتع ضروری است. اﺳﺘﻔﺎده از داده های ﻣﺎﻫﻮاره ﺎی اﻣﻜﺎن ﻣﻄﺎﻟﻌﻪ ﮔﺴﺘﺮده ﭘﻮﺷﺶ ﮔﻴﺎﻫﻲ را ﻓﺮاﻫﻢ می ﺳﺎزد. در این تحقیق سعی شده است، برآوردی از کربن آلی پوشش گیاهی بر اساس ارزیابی‌های میدانی و شاخص های سنجش از دور در مراتع منطقه حفاظت شده لشگردر، ملایر صورت گیرد. به علت سهولت دسترسی سری های زمانی داده ماهواره لندست در این تحقیق سعی شد تخمین کربن آلی پوشش گیاهی با استفاده از داده ماهواره لندست 8 سنجنده oli صورت گیرد.مواد و روش ها: نمونه برداری صحرایی در 8 خرداد ماه سال 1395 از مراتع حفاظت شده منطقه لشگردر صورت گرفت. فرم رویشی غالب این مراتع علفی – بوته ای بوده و گونه های خانواده asteraceae  بیشترین فراوانی را در این منطقه حفاظت شده دارند. ﻣﺨﺘﺼﺎت 40 ﻧﻘﻄﻪ بطور ﺗﺼﺎدﻓﻲ به‌عنوان مرکز پلات های نمونه برداری از زیتوده گیاهی در ﻣﻨﻄﻘﻪ ﻣﻮرد ﻣﻄﺎﻟﻌﻪ اﻧﺘﺨﺎب ﺷدند. ﺑﻪ ﻣﻨﻈﻮر ﺣﺬف ﺧﻄﺎی ناشی از دقت gps، ضریب دو برابر اندازه پیکسل اعمال شد و پلات های 30×30 ﻣﺘﺮ ﻣﺮﺑﻌﻲ ﺑﺮای نمونه برداری ﻣﻴﺪاﻧﻲ انتخاب شدند. ﻣﺨﺘﺼﺎت ﻧﻘﺎط ﻣﻮرد ﻧﻈﺮ، ﺑﻪ ﻋﻨﻮان ﻣﺮاﻛﺰ ﭘﻼت ﻫﺎ درﻧﻈﺮﮔﺮﻓﺘﻪ شدند و سپس از زﻳﺮ پلات های 1×1 ﻣﺘﺮ ﻣﺮﺑﻊ اﺳﺘﻔﺎده شد. با نشانه گذاری در ﻣﺮﻛﺰ ﭘﻼت، نمونه های مرکب زیتوده هوایی از نقطه مرکزی و چهار گوشه پلات اصلی تهیه شدند. نمونه ها پس از کد گذاری جهت انجام مراحل آزمایشگاهی به آزمایشگاه علوم مرتع، دانشگاه ملایر منتقل شدند. میزان کربن آلی پوشش گیاهی پس از هوا خشک شدن نمونه ﻫﺎ ، به روش سوزاندن در کوره (loi) اندازه گیری شد. شاخص های پوشش گیاهی از تصاویر ماهواره ای لندست 8 سنجنده oli (براساس سیستم جهانی wgs84 در گذر 166 و ردیف 36) که شامل اطلاعات رقومی باند های 1 تا 7 با قدرت تفکیک مکانی 30 است، استفاده شد و شاخص های سبزینگی و  rvi, ndvi, ipvi, dvi, wdvi, arvi, savi, tsavi, bi, osavi, gemi, evi, lai, gari از تصاویر لندست استخراج شدند. نتایج: ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻧﺘﺎﻳﺞ ﺣﺎﺻﻠﻪ ﺍﺯ ﻣﻘﺎیسه ﺩﺍﺩﻩ ﻫﺎﻱ کربن آلی ﺑﺮﺁﻭﺭﺩﻱ پوشش گیاهی با کربن آلی محاسباتی پوشش گیاهی، تنها شاخص gari می تواند کربن آلی پوشش گیاهی را برآورد کند. بهترین مدل ارائه ‌شده با استفاده از شاخص gari برای کربن آلی پوشش گیاهی به ‌صورت gari 1.38 + 5.4 = oc با ضریب تبیین 0.13 = 2^r و 0.7 = rmse به‌‌دست‌آمد. از این نتایج می ﺗﻮﺍﻥ ﭼﻨﻴﻦ ﺍﺳﺘﻨﺘﺎﺝ کرد که ﺷﺎﺧﺺ ﻫﺎی ﺳﻨﺠﺶ از دور ﻣﻲ ﺗﻮاﻧﻨﺪ، ﺑﻪ ﻋﻨﻮان ﻣﻜﻤﻞ روش ﻫﺎی ﻣﻴﺪاﻧﻲ در ﻣﻄﺎﻟﻌﺎت ﭘﻮﺷﺶ ﮔﻴﺎﻫﻲ ﺑﻪ ﻛﺎر ﮔﺮﻓﺘﻪ ﺷﻮﻧﺪ. در اﻧﺘﺨﺎب ﻣﻨﺎﺳﺐ ﺗﺮﻳﻦ روش ﻧﻮع ﺳﻨﺠﻨﺪه، ﺧﺼﻮﺻﻴﺎت و ﺷﺮاﻳﻂ ﻣﻨﻄﻘﻪ ﻣﻮرد ﻣﻄﺎﻟﻌﻪ و آﮔﺎﻫﻲ از ﻧﻮع و ﻣﻴﺰان ﭘﻮﺷﺶ ﮔﻴﺎﻫﻲ و ﻧﻮع ﻛﺎرﺑﺮی ﻫﺎی ﻣﻨﻄﻘﻪ ﺑﺎﻳﺪ ﻣﻮرد ﺗﻮﺟﻪ ﻗﺮار ﮔﻴﺮد. ﺑﺮاﺳﺎس ﻧﺘﺎﻳﺞ ﺣﺎﺻﻞ ﻛﺎرﺑﺮد ﻧﺴﺒﺖ ﻫﺎی ﺑﺎﻧﺪی، اﻃﻼﻋﺎت ﺑﻬﺘﺮی را ﻧﺴﺒﺖ ﺑﻪ ﻣﻄﺎﻟﻌﻪ ﺗﻚ ﺑﺎﻧﺪ ﻫﺎ در اﺧﺘﻴﺎر ﻗﺮار ﻣﻲ دﻫﺪ. ﻫﻤﭽﻨﻴﻦ ﺑﺮای اﻳﻦ ﻣﻨﺎﻃﻖ ﻛﺎرﺑﺮد ﻫﻤ‌‌ﺰﻣﺎن ﭼﻨﺪﻳﻦ ﺷﺎﺧﺺ ﻧﺘﺎﻳﺞ ﺑﻬﺘﺮی در ﺗﺸﺨﻴﺺ و ﺗﻔﻜﻴﻚ ﻣﻴﺰان ﭘﻮﺷﺶ ﮔﻴﺎﻫﻲ اراﺋﻪ ﻣﻲ دﻫﻨﺪ. ﺑﺎ اﻳﻦ ﺣﺎل اﻧﺘﺨﺎب ﻣﻨﺎﺳب ترین روش ﺑﺎﻳﺪ ﺑﺎ دﻗﺖ ﺑﺎﻻ و ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﺧﺼﻮﺻﻴﺎت ﻣﻨﻄﻘﻪ ﺑﺮ اﺳﺎس ﺑﺎﻻﺗﺮﻳﻦ ﻣﻴﺰان ﻫﻤﺒﺴﺘﮕﻲ ﺻﻮرت ﭘﺬﻳﺮد ﺗﺎ بتوان ﺑﺎ اﺳﺘﻔﺎده از ﻛﺎراﺗﺮﻳﻦ ﺷﺎﺧﺺ ﻫﺎ و آﻧﺎﻟﻴﺰ ﻫﺎی ﺑﻪ دﺳﺖ آﻣﺪه و اراﺋﻪ ﻣﺪل ﻫﺎی ﻣﻨﺎﺳﺐ ﺑﻪ ﭘﺎﻳﺶ و ﻣﻄﺎﻟﻌﻪ ﭘﻮﺷﺶ ﮔﻴﺎﻫﻲ ﻣﻨﻄﻘﻪ ﻣﻮرد ﻣﻄﺎﻟﻌﻪ و ﻣﻨﺎﻃﻖ ﺑﺎ ﺧﺼﻮﺻﻴﺎت ﻣﺸﺎﺑﻪ ﭘﺮداﺧﺖ.نتیجه گیری: با توجه به نتایج به‌دست آمده می توان بیان نمود که شاخص gari ﺩﺭ ﻣﻮﺭﺩ ﺑﺮﺁﻭﺭﺩ میزان کربن آلی پوشش گیاهی منطقه ﻧﺘﺎﻳﺞ ﺑﻬﺘﺮﻱ ﺭﺍ ﺍﺭﺍﺋﻪ داده است ﻭ ﻣﻲ ﺗﻮﺍﻥ ﺁن ﺭﺍ ﺑﻪ ﻋﻨﻮﺍﻥ ﺷﺎخص ﻣﻨﺎﺳﺐ ﺟﻬﺖ ﺑﺮﺁﻭﺭﺩ کربن پوشش ﮔﻴﺎﻫﻲ ﺩﺭ ﻣﻨﺎﻃﻖ ﻣﺸﺎﺑﻪ ﺗﻮﺻﻴﻪ ﻧﻤﻮﺩ. ﻫﺮ ﺷﺎﺧﺼﻲ ﻣﻤﻜﻦ اﺳﺖ ﺑﺮای ﻳﻚ ﻣﻨﻄﻘﻪ و ﻳﺎ ﻳﻚ ﻧﻮع ﭘﻮﺷﺶ ﺑﻪ ﺧﺼﻮص ﺟﻮاب دﻫﺪ. تکرار زمانی مطالعات و افزایش حجم نمونه با توجه به ﺧﺼﻮﺻﻴﺎت و ﺷﺮاﻳﻂ ﻣﻨﻄﻘﻪ ﻣﻮرد ﻣﻄﺎﻟﻌﻪ، آﮔﺎﻫﻲ از ﻧﻮع و ﻣﻴﺰان ﭘﻮﺷﺶ ﮔﻴﺎﻫﻲ در تعیین شاخصﻫﺎی مناسب پیشنهاد می شود.

evaluation of remote sensing indices for estimating organic carbon content of rangeland plant biomass in lashgardar protected area

background and objectives: determining the organic carbon content of rangeland vegetation is essential for monitoring rangeland condition and facilitating reclamation efforts. satellite data provides a valuable tool for conducting extensive vegetation studies. this research aimed to estimate the organic carbon content of vegetation using field assessments and remote sensing indices in the rangelands of lashgardar protected area, malayer. leveraging landsat time series images, this study utilized landsat 8 data from the operational land imager (oli) sensor.methodology: field sampling was conducted in the rangelands of lashgardar protected area on may 28, 2016. the dominant growth form in these rangelands is herbaceous-shrub, with asteraceae family species being the most abundant. forty points were randomly selected as the centers of sampling plots for plant biomass. to account for gps accuracy error, a factor of twice the pixel size was applied, resulting in the selection of 40 plots measuring 30×30 m2 for field sampling. subplots measuring 1×1 m2 were utilized to collect composite aboveground biomass samples from the central point and the four corners of each main plot. samples were processed in the rangeland science laboratory at malayer university following coding for laboratory procedures. the organic carbon content of vegetation was determined using the loss on ignition (loi) method after air-drying. vegetation indices were extracted from landsat 8 satellite images captured by oli sensors, including digital bands 1 to 7 with a spatial resolution of 30 meters. various vegetation indices such as greenness, rvi, ndvi, ipvi, dvi, wdvi, arvi, savi, tsavi, bi, osavi, gemi, evi, lai, and gari were derived from landsat images.results: comparative analysis of estimated organic carbon data with measured organic carbon content revealed that only the green atmospherically resistant vegetation index (gari) could effectively estimate the organic carbon content of vegetation. the best model was achieved using the gari index for organic carbon estimation, represented as oc = 5.4 + 1.38 gari, with an explanatory coefficient (r2) of 0.13 and root mean square error (rmse) of 0.7. these findings suggest that remote sensing indices can serve as complementary methods in vegetation studies.conclusion: the gari index demonstrated promising results for estimating organic carbon content in vegetation within the study area and is recommended as a suitable indicator for similar areas. however, the efficacy of each index may vary depending on specific area characteristics and vegetation types. it is advisable to conduct time-series studies with larger sample sizes tailored to the unique conditions of the study area to identify the most appropriate indices.