بررسی تاثیر متغیرهای اقلیمی بر شاخص‌های پوشش گیاهی ( مورد مطالعه باغات پرتقال حسن آباد داراب)

هدف از پژوهش حاضر بررسی رابطه متغیر اقلیمی بارش، دما و رطوبت بر تغییرات شاخص های پوشش گیاهی  باغات پرتقال حسن آباد داراب با استفاده از داده های ماهواره ای می باشد. بدین منظور داده های مشاهداتی، شامل داده های فنولوژی درخت پرتقال و داده های هواشناسی در بازه زمانی ده‌ساله (1385 تا 1395) مربوط به ایستگاه هواشناسی کشاورزی حسن‌آباد داراب جمع‌آوری‌شده است. تصاویر سنجنده مودیس برای سال 1385 تا 1395 با توجه به داده های زمینی و نقشه های 1:25000 سازمان نقشه‌برداری زمین مرجع شدند. این تصاویر برای محاسبه شاخص های پوشش گیاهی سنجش‌ازدوری شامل شاخص تفاضلی نرمال شده پوشش گیاهی (ndvi)، شاخص وضعیت پوشش گیاهی (evi) استفاده گردید. نتایج نشان داد که متغیرهای حداکثر رطوبت، حداقل دما و بارش دارای تاثیر مثبت معنی‌دار بر متغیر ndvi هستند. به‌علاوه متغیرهای حداکثر دما، حداقل رطوبت دارای تاثیر منفی معنی‌دار بر متغیر وابسته ndvi و evi هستند. به‌منظور تعیین اهمیت هریک از متغیرهای مستقل در پیش‌بینی متغیرهای وابسته از روش شبکه عصبی مصنوعی استفاده شد. یافته ها نشان داد که عناصر اقلیمی بارش، حداقل دما، حداکثر دما، حداقل رطوبت و حداکثر با مقادیر به  ترتیب (0.39، 0.3، 0.13، 0.1 و 0.06 ) بیشترین تاثیر را بر evi دارند. به‌علاوه تاثیر این متغیرها بر شاخص ndvi به ترتیب ضرایب آنها (0.2، 0.28، 0.22، 0.11 و 0.17) می باشد.درنهایت به‌منظور افزایش قدرت توضیح دهندگی مدل از روش رگرسیون armax استفاده شد. نتایج نشان داد استفاده از این روش منجر به افزایش قدرت توضیح دهندگی مدل، کاهش خطای پیش‌بینی می‌گردد.

studying the effect of climatic variables on vegetation indices (case study: orange orchards in hassan abad, darab county)

this research study aims to investigate the influence of climatic variables, specifically precipitation, temperature, and humidity, on changes in vegetation indices of orange orchards in hassan abad, darab county, using satellite data. consequently, observational data, including orange tree phenology data and meteorological data from the agricultural weather station, were collected over a period of more than 10 years (2006 to 2016). modis images from 2006 to 2016 were referenced based on territorial data and 1:25000 maps from the iran national cartographic center. these images were used to calculate remote sensing vegetation indices, namely the normalized difference vegetation index (ndvi) and enhanced vegetation index (evi). the results demonstrated that the variables of maximum humidity, minimum temperature, and precipitation have a significant positive effect on the ndvi variable. additionally, the variables of maximum temperature and minimum humidity have a significant negative effect on both the ndvi and evi. to determine the significance of each independent variable in predicting the dependent variables, the artificial neural network method was employed. the findings showed that the climatic elements of precipitation, minimum temperature, maximum temperature, minimum humidity, and maximum humidity had the greatest effect on evi, with values of 0.39, 0.3, 0.13, 0.1, and 0.06 respectively. moreover, the effect of these variables on the ndvi index is equal to their coefficients, which are 0.2, 0.28, 0.22, 0.11, and 0.17 respectively. finally, the armax regression method was used to improve the explanatory power of the model. the results indicated that this method enhanced the explanatory power of the model and reduced the forecasting error.