روند سبزی پوشش گیاهی در فصول خشک و واکنش آن به دما و بارندگی در حوضه رودخانه مارا، آفریقا

چکیده

حوضه رودخانه مارا آفریقا دارای یک اکوسیستم جهانی با پوشش گیاهی وسیع است که زیستگاه بسیاری از حیوانات وحشی است. با این حال، این حوضه با تخریب پوشش گیاهی و تغییرات بد آب و هوا مواجه است که باعث درگیری بین مردم و حیوانات وحشی به ویژه در فصول خشک شده است. این مقاله سبزی پوشش گیاهی (VG)، روند سبزی پوشش گیاهی (VGT)، و پاسخ آنها به تغییرات آب و هوایی در فصول خشک در حوضه رودخانه مارا، آفریقا را مورد مطالعه قرار داد. ابتدا بر اساس پلتفرم Google Earth Engine (GEE) و تصاویر Sentinel-2، نقشه توزیع پوشش گیاهی حوضه رودخانه مارا ترسیم شد. سپس از داده های MODIS NDVI فصول خشک (ژانویه تا فوریه و ژوئن تا سپتامبر) برای تجزیه و تحلیل VGT استفاده شد. سرانجام، یک الگوریتم رگرسیون جنگل تصادفی برای ارزیابی پاسخ VG و VGT به دما و بارش حاصل از ERA5 از سال ۲۰۰۰ تا ۲۰۱۹ با وضوح ۲۵۰ متر استفاده شد. نتایج نشان داد که VGT در فصول خشک در نوسان بود و تمایز فضایی آشکار بود. روند افزایش سبزی هر دو در بالادست و پایین دست به طور قابل توجهی بزرگتر از روند افزایشی در میان دست بود. پاسخ VG به بارش تقریبا دو برابر بیشتر از دما بود و پاسخ VGT به دما حدود ۱٫۵ برابر بیشتر از بارش بود. روند تغییر اقلیم افزایش دما و کاهش بارندگی منجر به تخریب پوشش گیاهی و کاهش تولید محصول می شود. بحران تخریب پوشش گیاهی در فصول خشک در حوضه رودخانه مارا در آینده وجود خواهد داشت.

کلید واژه ها:

حوضه رودخانه مارا ; فصول خشک ؛ سبزی پوشش گیاهی ; رگرسیون تصادفی جنگل ; تمایز فضایی و زمانی

۱٫ مقدمه

پویایی سبزی پوشش گیاهی (VG) برای درک تأثیر تغییرات آب و هوا و تجاوز انسان به سطوح زمین مهم است [ ۱ ]. به طور کلی سبزی پوشش گیاهی را می توان به عنوان رشد پوشش گیاهی سبز سطحی توضیح داد. منطقه شرق آفریقا به عنوان سرزمین های نیمه خشک طبقه بندی می شود که به نفوذ انسان در پوشش گیاهی و تغییرات آب و هوایی حساس است [ ۲ ]. این منطقه یکی از مهم‌ترین اکوسیستم‌های زمینی است که با تسلط همزمان علف‌ها، جنگل‌ها و درختچه‌ها مشخص می‌شود و ۲۰ درصد از زمین‌های جهان را در بر می‌گیرد [ ۳ ]. با این حال، پوشش گیاهی در اواخر فصول خشک تقریباً قهوه ای است [ ۴ ]. مشخص شد که نرخ جنگل زدایی از ۰٫۲۲٪ (۱۹۰۰) به ۰٫۳۹٪ (۲۰۰۰) در منطقه شرق آفریقا افزایش یافته است.۵ ]. در سال‌های اخیر، بلایای خشکسالی مکرر باعث کاهش مداوم سبزی‌های گیاهی از کنیا مرکزی تا تانزانیا مرکزی در دوره النینو شده است [ ۶ ]. بنابراین، نظارت بر تغییر سبزی پوشش گیاهی برای کاهش بلایای طبیعی در منطقه شرق آفریقا مهم است.

سنجش از دور پرکاربردترین ابزار برای نظارت بر تغییرات پوشش گیاهی، بیابان‌زایی و فعالیت‌های کشاورزی در مقیاس جهانی است [ ۷ ]. در دهه‌های اخیر، محصولات ماهواره‌ای مختلف در تفکیک‌پذیری‌های زمانی، مکانی و طیفی مختلف، مجموعه داده‌های دقیقی را برای سطح زمین فراهم کرده‌اند [ ۸ ]. تصاویر ماهواره ای با وضوح فضایی بالا، مانند LANDSAT (30 متر) و Sentinel-2 (10 متر)، نظارت به موقع و دقیق بر طبقات پوشش گیاهی را فراهم می کند [ ۹ ]. تصویر نوری Sentinel-2 به ویژه مزیت بیشتری در نظارت بر تغییرات پوشش گیاهی به دلیل نوارهای لبه قرمز آنها می دهد [ ۱۰ ]]. علاوه بر این، باندهای مادون قرمز و نوری موج کوتاه در سنسور ماهواره ای قابلیت ایجاد نسبت نواری مانند شاخص گیاهی تفاوت نرمال شده (NDVI) را دارند [ ۱۱ ]. با این حال، به دلیل دوره کوتاه مشاهده آنها، سنسورهای Landsat و Sentinel-2A نمی توانند برای نظارت زمان واقعی و تغییرات طولانی مدت در VG استفاده شوند [ ۱۲ ]. سنسور طیف رادیومتر تصویربرداری با وضوح متوسط (MODIS) دارای ۳۶ باند طیفی، از جمله دو شاخص پوشش گیاهی (NDVI و EVI) برای مقایسه تغییرات پوشش گیاهی جهانی است [ ۱۳ ]. علاوه بر این، محصول MODIS NDVI امکان نظارت بر پویایی پوشش گیاهی را برای مدت زمان طولانی، در وضوح مکانی بالا (۲۵۰ متر) و زمانی (ترکیب ۱۶ روزه) فراهم می کند [ ۱۴ ].

ثابت شده است که شاخص گیاهی تفاوت نرمال شده (NDVI) بهترین شاخص سبزی پوشش گیاهی است [ ۱۵ ، ۱۶ ]. اکثر مطالعات قبلی از محصولات MODIS NDVI برای نظارت طولانی مدت VG در مقیاس منطقه ای و جهانی استفاده کردند. Hmimina و همکاران [ ۱۷ ] سودمندی داده های MODIS NDVI برای نظارت بر تغییرات فصلی VG در ساوانای آفریقا، از جمله زیست بوم های زمینی و جنگل های برگریز و همیشه سبز را بررسی کرد. این مطالعه نشان داد که کامپوزیت ۱۶ روزه MODIS NDVI امکان برآورد دقیق سبزی در فصل بهار را فراهم می کند. پاتر [ ۱۸ ] نرخ بازیابی VG را با استفاده از MODIS NDVI در اکوسیستم تالاب به شدت سوخته آلاسکا تجزیه و تحلیل کرد. فانگ و همکاران [ ۱۹] پویایی پوشش گیاهی را با استفاده از روش Breaks for Additive Seasonal and Trend (BFAST) و محصول MODIS NDVI در کبک، کانادا، از سال ۲۰۰۰ تا ۲۰۱۱ گزارش کرد. Wang et al. [ ۲۰ ] تغییر VG را با استفاده از داده های MODIS NDVI در سه منطقه منبع رودخانه در چین نظارت کرد. به طور مشابه، گیلسپی و همکاران. [ ۲۱ ] الگوی مکانی و زمانی تغییرات پوشش گیاهی در کالیفرنیای جنوبی را با استفاده از داده‌های MODIS NDVI از سال ۲۰۰۰ تا ۲۰۱۶ بررسی کردند. در سال‌های اخیر، توهامی و همکاران. [ ۲۲ ] سری زمانی MODIS NDVI را برای نظارت بر پویایی پوشش گیاهی در منطقه جنگلی مدیترانه در شمال شرقی تونس در پاسخ به متغیر آب و هوایی ارزیابی کرد. بنابراین، این مطالعه محصولات MODIS NDVI را برای نظارت بر VG بر روی حوضه رودخانه مارا در شرق آفریقا در نظر می‌گیرد.

سبزی چمن و درختچه نسبت به جنگل ها به تغییرات آب و هوایی حساس تر بود [ ۵ ]. به طور کلی، NDVI با میانگین بارندگی سالانه رابطه خطی داشت. با این حال، پاسخ NDVI به بارندگی بیشتر از دما بود [ ۱ ]. افزایش بارندگی می تواند روند سبزی پوشش گیاهی (VGT) را افزایش دهد، در حالی که افزایش دما باعث مهار VGT یک منطقه می شود [ ۶ ]. نیکلسون و همکاران [ ۲] نشان داد که تنوع NDVI ارتباط نزدیکی با عوامل اقلیمی دارد. بنابراین، نظارت بر عوامل آب و هوایی در VG مهم است. برای ساواناهای آفریقا، اکثر مطالعات قبلی ثابت کردند که VG با استفاده از NDVI، که از سنسورهای ماهواره ای مختلف بازیابی می شود، مانند رادیومتر با وضوح بسیار بالا (AVHRR)، سیستم مدل سازی نظارت بر موجودی جهانی، روند کاهشی را در فصول خشک ارائه می دهد. GIMMS)، و MODIS [ ۱ ، ۵ ، ۲۳ ]. پارک ملی ماسای نارا در شرق آفریقا به ویژه کاهش بارندگی و افزایش دما را در فصول خشک نشان داد، بنابراین باعث شد که جنگل‌ها و درختچه‌ها روند سبز شدن قبلی را نشان دهند و چمن روند قهوه‌ای شدن را نشان داد [ ۲۴ ، ۲۵ ].]. به طور کلی، تغییرات آب و هوایی به طور قابل توجهی بر VG در حوضه رودخانه مارا تأثیر گذاشت [ ۲۶ ]، و تخریب پوشش گیاهی به طور جدی بقای دام و حیات وحش در حوضه رودخانه مارا [ ۲۷ ] را تهدید کرد.]. با این حال، هنوز اطلاعات کمی در مورد VGT در فصول خشک و پاسخ آن به تغییرات آب و هوایی در حوضه رودخانه مارا وجود دارد. در حال حاضر، بیشتر مطالعات تنها تمایز زمانی و پاسخ های VG به عوامل محیطی را در نظر می گیرند و تفاوت های فضایی را نادیده می گیرند. علاوه بر این، بیشتر مطالعات فقط بر روی اکوسیستم Maasai/Serengeti تمرکز دارند، در حالی که مطالعات کمی کل حوضه را در نظر می گیرند. علاوه بر این، اکثر مطالعات منطقه بزرگی را برای ایجاد رابطه بین VG و متغیرهای آب و هوایی (بارش و دما) انتخاب می کنند. با این حال، هیچ مطالعه ای VG را در مقیاس حوضه نشان نداده است. بنابراین، این مقاله حوضه رودخانه مارا را برای تجزیه و تحلیل پاسخ های VG به تغییرات آب و هوایی در نظر می گیرد.

بر اساس نقشه های توزیع پوشش گیاهی فضایی حوضه رودخانه مارا که بر روی پلت فرم GEE ترسیم شده است، این مقاله از محصول MODIS NDVI و داده های آب و هوایی برای فصول خشک در حوضه رودخانه مارا از سال ۲۰۰۰ تا ۲۰۱۹ استفاده می کند. مطالعه ما رابطه بین VG و آب و هوا را تجزیه و تحلیل کرد. تغییر دادن. اهداف اصلی این مطالعه (من) برآورد توزیع مکانی و زمانی VG با استفاده از الگوریتم رگرسیون جنگل تصادفی (RF) در حوضه رودخانه مارا بود. (ب) برای بررسی روند VG و متغیرهای آب و هوایی (بارش و دما)، با استفاده از آزمون Sen+Mann-Kendall منطقه مورد مطالعه. و (iii) برای ارائه یک دید روشن از توزیع فضایی VG، VGT، و پاسخ آنها به تغییرات آب و هوا در مقیاس حوضه. علاوه بر این،

۲٫ منطقه مطالعه و داده ها

۲٫۱٫ منطقه مطالعه

رودخانه مارا ( شکل ۱ ) مرز بین تانزانیا و کنیا در شرق آفریقا است (مکان: ۳۳ درجه و ۸۸ دقیقه شرقی تا ۳۵ درجه و ۹۰ دقیقه شرقی و ۰ درجه و ۲۸ دقیقه تا ۱ درجه و ۹۷ دقیقه شرقی). این حوضه ۶۵ درصد مساحت آن در کنیا و ۳۵ درصد در تانزانیا است. رودخانه از اسکارپمنت جنگل مائو سرچشمه می گیرد و در موسوما روستایی در تانزانیا به دریاچه ویکتوریا ادغام می شود و از مزارع گروهی، ذخیره گاه ملی ماسای-مارا و پارک ملی سرنگتی می گذرد. رودخانه مارا تنها رودخانه چند ساله در منطقه است که نقش مهمی در اکوهیدرولوژی حوضه دارد [ ۲۸ ].]. بالادست اسکارپمنت جنگل مائو یک جنگل پیچیده حفاظت شده است و بقیه مناطق در بالادست تقریباً زمین های کشاورزی هستند. جریان میانی عمدتاً از چمن و مرتع، از جمله دو ذخیره‌گاه بین‌المللی حیات وحش، که اصلی‌ترین جاذبه‌های گردشگری حیات وحش در حوضه هستند، تشکیل شده است. پایین دست شامل تالاب مارا و معدن مارا می شود. علاوه بر این، منبع اصلی تولید و مواد زندگی برای ساکنان و حیوانات وحشی است [ ۲۹ ].

بارش در حوضه دو وجهی با دو فصل بارانی و خشک است. فصل خشک طولانی از ژوئن تا سپتامبر و فصل خشک کوتاه از ژانویه تا فوریه است. میانگین دما ۱۸ ~ ۲۳ درجه سانتیگراد است و کل بارندگی سالانه ۲۰۰ ~ ۵۰۰ میلی متر در فصل خشک است [ ۳۰ ]. فصل خشک زمان مهاجرت بزرگ حیوانات وحشی [ ۳۱ ]، و همچنین زمان برای بزرگترین نیاز آبی برای آبیاری کشاورزی در بالادست [ ۳۲ ] است. بلایای خشکسالی شدیدتر و شدیدتر در فصول خشک [ ۲۴ ] باعث افزایش سریع تقاضای آب برای آبیاری کشاورزی شده است [ ۳۲ ].]. محیط زیست محیطی در این منطقه شکننده است که تاثیرات وحشتناکی بر اکوسیستم حوضه داشته است.

۲٫۲٫ داده ها

داده های مورد استفاده در این مقاله شامل تصاویر Sentinel-2 و MODIS NDVI، دما و داده های بارش است. سری زمانی تصاویر Sentinel-2 از ژوئن ۲۰۱۵ تا ژوئن ۲۰۲۰ بود و از پلت فرم Google Earth Engine (GEE) ( https://earthengine.google.com/ ، در ۳۰ ژوئیه ۲۰۲۱) به دست آمد. این مقاله از تصاویر Sentinel-2 برای ترسیم نقشه توزیع پوشش گیاهی با اشاره به برخی منابع مرتبط استفاده کرد [ ۳۳ ، ۳۴ ]. داده های VG (NDVI) از حسگر MODIS (MOD13Q1) از سازمان هوانوردی و فضایی (NASA) ( https://modis.gsfc.nasa.gov/ ) استخراج شده است.، قابل دسترسی در ۱۰ اوت ۲۰۲۱). سری زمانی داده‌های MODIS NDVI از ژانویه تا فوریه و ژوئن تا سپتامبر طی سال‌های ۲۰۰۰-۲۰۱۹ بود. داده‌های دما و بارندگی از داده‌های میانگین ماهانه ERA5-Land از سال ۱۹۵۰ تا کنون از مرکز اروپا برای پیش‌بینی‌های هوای متوسط ( https://www.ecmwf.int/en/forecasts/datasets/reanalysis-datasets/era5 ) به‌دست آمد. مشاهده شده در ۲۰ اوت ۲۰۲۱)، در طول ژانویه/فوریه، و ژوئن تا سپتامبر از سال ۲۰۰۰ تا ۲۰۱۹٫ داده‌های دما و بارش مجدداً به وضوح ۲۵۰ متر برای مطابقت با وضوح مکانی محصولات MODIS NDVI نمونه‌برداری شدند.

۳٫ روش ها

گردش کار کلی مطالعه ما با سه بخش ساختار یافته بود ( شکل ۲ ). ابتدا، این مطالعه از الگوریتم جنگل تصادفی (RF) برای طبقه بندی تصاویر Sentinel-2 به چهار نوع پوشش گیاهی اصلی (جنگل، محصول، درختچه و چمن) استفاده کرد و نقشه توزیع پوشش گیاهی را در پلت فرم GEE به دست آورد. دوم، الگوریتم رگرسیون RF برای داده‌های MODIS NDVI، دما و بارش برای تجزیه و تحلیل پاسخ VG به تغییرات آب و هوایی استفاده شد. سپس از آزمون روند Thiel-Sen/Mann-Kendall برای VG، دما و بارش استفاده شد. در نهایت، الگوریتم رگرسیون RF دوباره برای بررسی پاسخ VGT به دما و بارش استفاده شد.

۳٫۱٫ الگوریتم جنگل تصادفی

الگوریتم جنگل تصادفی یک الگوریتم مبتنی بر درخت طبقه بندی است که روش های کیسه بندی، زیرفضای تصادفی و درخت تصمیم را ترکیب می کند [ ۳۵ ، ۳۶ ]. الگوریتم روش تجمع بوت استرپ را برای تولید زیر مجموعه ها ادغام می کند. یعنی M ( M = ۱, ۲, ۳, …, n ) مجموعه‌های نمونه آموزشی با اندازه مشابه مجموعه‌های نمونه اصلی به طور تصادفی از مجموعه نمونه اصلی از طریق تجمع بوت استرپ انتخاب می‌شوند و درخت‌های تصمیم‌گیری متعدد بر این اساس ساخته می‌شوند. هنگام تقسیم هر گره از درخت های تصمیم، روش زیرفضای تصادفی برای استخراج یکنواخت و تصادفی یک زیر مجموعه ویژگی از همه K معرفی می شود.ویژگی ها، و سپس یک ویژگی تقسیم بهینه از زیر مجموعه انتخاب می شود. در نهایت، مقدار میانگین درختان تصمیم چندگانه به عنوان نتیجه نهایی در نظر گرفته شده است. الگوریتم RF به طور گسترده در طبقه بندی و رگرسیون استفاده شده است [ ۳۷ ، ۳۸ ]. وقتی متغیر وابسته یک متغیر طبقه بندی شده است، الگوریتم یک الگوریتم طبقه بندی است. هنگامی که متغیر وابسته یک متغیر پیوسته است، الگوریتم یک الگوریتم رگرسیون است. الگوریتم جنگل تصادفی را می توان به طور خلاصه به صورت زیر بیان کرد:

f^= 1 ب \sum ب b = ۱ f ب (x)

(۱)

جایی که $\hat{f}$ نشان دهنده نتایج نهایی است، B تعداد درختان است، $f_{b}$ تابع طبقه بندی یا رگرسیون است و x مقادیر نمونه آموزشی را نشان می دهد.

الگوریتم RF دقت نتایج را با استفاده از bootstrap بهبود می‌بخشد تا واریانس بالا را کاهش دهد و همبستگی بین درخت‌های تصمیم را ضعیف کند. تنها با تنظیم تعداد درختان در جنگل و اشکال زدایی تعداد ویژگی های هر گره که برای تولید سریع و کارآمد یک مدل معقول مورد نیاز است، به راحتی عمل می کند. در مقایسه با سایر الگوریتم‌های یادگیری ماشین، الگوریتم RF می‌تواند روابط غیرخطی را ترکیب کند و روابط پیچیده بین متغیرها را توضیح دهد [ ۳۹ ]. بنابراین، این مطالعه از الگوریتم‌های RF برای ترسیم نقشه توزیع پوشش گیاهی و تجزیه و تحلیل پاسخ‌های VG و VGT به تغییرات اقلیمی در فصول خشک حوضه رودخانه مارا استفاده کرد.

۳٫۲٫ نقشه برداری توزیع پوشش گیاهی بر اساس پلتفرم GEE

الگوریتم RF برای ایجاد نقشه توزیع پوشش گیاهی از تصاویر Sentinel-2 در پلت فرم GEE استفاده شد. روند طبقه بندی به شرح زیر بود.

ساوانا تحت سلطه چمن، جنگل و درختچه است، بنابراین طبق منابع، پوشش گیاهی به چهار نوع (جنگل، محصول، درختچه، و چمن) طبقه بندی می شود [ ۳۳ ، ۳۴ ].] و در نظر گرفتن صرفه جویی در زمان طبقه بندی و مشاهده پذیری. سپس ROI را برای هر نوع پوشش گیاهی استخراج کردیم. با توجه به اینکه ROIهای فوق باید به طور مساوی در کل حوضه و متناسب با مساحت هر پوشش گیاهی توزیع شوند، در نهایت ۲۰۰۰۰ ROI استخراج شد: جنگل (۲۲۴۰)، محصول (۳۶۲۰)، علف (۱۰۵۰۰) و درختچه (۳۶۴۰). در پلت فرم GEE به عنوان نمونه های آموزشی برای طبقه بندی تحت نظارت. پس از صادرات تصاویر Sentinel-2 به پلت فرم GEE، باند QA60 برای حذف ابرها از منطقه مورد مطالعه استفاده شد و چرخه ۵ روزه NDVI را محاسبه کردیم. روش ترکیب حداکثر ارزش (MVC) [ ۴۰] برای سنتز حداکثر NDVI ماهانه برای تولید ۱۲ ماه NDVI ماهانه برای هر سال استفاده شد. برای حذف بیشتر ابرها و صاف کردن فیلتر، از روش تحلیل هارمونیک سری زمانی (HANTS) برای بازسازی NDVI ماهانه استفاده کردیم [ ۴۱ ]. قبل از طبقه‌بندی نظارت شده، اهمیت NDVI ماهانه با رگرسیون RF ارزیابی می‌شد و تنها ماه‌هایی با اهمیت بیش از ۵۰ درصد (ژانویه، فوریه، ژوئن، جولای، آگوست و نوامبر) به عنوان ماه‌های مشخصه انتخاب شدند [ ۴۲ ].]. ۲۰۰۰۰ نمونه در طول طبقه بندی توسط الگوریتم RF به طور تصادفی به دو گروه تقسیم شدند: ۷۰٪ برای آموزش و ۳۰٪ برای اعتبار سنجی. سپس نقشه‌های توزیع سالانه پوشش گیاهی از سال ۲۰۱۵ تا ۲۰۱۹ ترسیم شد. بر اساس نقشه های توزیع پوشش گیاهی از سال ۲۰۱۵ تا ۲۰۱۹، نقشه نهایی توزیع پوشش گیاهی حوضه رودخانه مارا از نوع پوشش گیاهی غالب هر شبکه ایجاد شد.

۳٫۳٫ رویکرد تست روند Thiel–Sen/Mann–Kendall

تست روند Thiel-Sen/Mann-Kendall [ ۴۳ ] برای بررسی روند VG، دما و بارش استفاده شد. این رویکرد از ارزش S درجه روند Sen استفاده می کند تا تداخل نویز تصاویر را کاهش دهد و قضاوت کند که آیا تصاویر روند افزایش یا کاهش را نشان می دهند. S- value با فرمول (۲) محاسبه می شود:

اس = \sum i = ۱ n - ۱ \sum j = i + ۱ n s g n (ایکس j - ایکس من)

(۲)

س g n (ایکس j - ایکس من) = ⎧⎩⎨⎪⎪ + ۱ ، ایکس j - ایکس من > ۰ ۰, ایکس j - ایکس من = ۰ - ۱ ، ایکس j - ایکس من < ۰

(۳)

برای پوشش گیاهی، مقدار مثبت S- value نشان دهنده روند سبز شدن و S-value منفی نشان دهنده روند قهوه ای شدن است. برای دما و بارش، یک مقدار S مثبت یک روند افزایشی برای عوامل آب و هوایی ارائه می‌دهد، در حالی که یک مقدار S منفی یک روند کاهشی ارائه می‌دهد.

سپس این رویکرد از Mann–Kendall Z – value برای آزمایش اهمیت روند توالی بلندمدت استفاده می‌کند، که می‌تواند مناطق با تغییرات جزئی را بهتر تشخیص دهد و روند تغییر را با دقت بیشتری قضاوت کند. طول سری های زمانی در این مقاله ۲۰ ( n ≥ ۱۰) است. S- value تقریباً از توزیع نرمال استاندارد تبعیت می کند و سپس می توان از Z- value برای آزمایش روند استفاده کرد.

ز = ⎧⎩⎨⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪ اس - ۱ V A R ( S ) \sqrt ، اس > ۰ ۰, اس = ۰ اس + ۱ V A R ( S ) \sqrt ، اس < ۰

(۴)

V A R (S) = n ( n - ۱ ) ( ۲ n + ۵ ) - \sum متر i = ۱ تی من ( تی من - ۱ ) ( ۲ تی من + ۵ ) ۱۸

(۵)

که در آن n تعداد سری های زمانی، m تعداد پیوندها (گروه های داده های مکرر) در سری زمانی است، $t_{i}$ وسعت هر کراوات داده شده است (تعداد داده های تکراری در گروه i )، و آزمون روند دو طرفه برای Z -value انجام می شود.

۳٫۴٫ رابطه بین VG و عوامل آب و هوایی

برای تجزیه و تحلیل پاسخ‌های VG و VGT به دما و بارش، این مطالعه ابتدا تمام شطرنج‌ها را به ASCII در ArcGIS تبدیل کرد، از جمله MODIS NDVI فصول خشک، دما و بارش و روند NDVI طی سال‌های ۲۰۰۰-۲۰۱۹٫ سپس یک مدل رگرسیون RF برای MODIS NDVI و عوامل آب و هوایی برای تجزیه و تحلیل پاسخ VG به دما و بارش ساخته شد. تابع اهمیت در جنگل تصادفیبسته R برای بررسی سهم دما و بارش در VG استفاده شد. اهمیت پاسخ‌ها با این که چقدر دقت مدل کاهش می‌یابد (%IncMSE) زمانی که متغیر حذف می‌شود، اندازه‌گیری شد. در نهایت، پس از تبدیل همه ASCII ها به رستر در ArcGIS، اهمیت چهار نوع پوشش گیاهی (جنگل، محصول، چمن و درختچه) به ترتیب استخراج شد و از میانگین اهمیت به عنوان پاسخ استفاده شد. همین کار برای تجزیه و تحلیل VGT به دما و بارش با استفاده از داده‌های روند، دما و بارش NDVI انجام شد. ما از ضریب تعیین (R2 ⁾ و ریشه میانگین مربعات خطا (RMSE) برای ارزیابی نتایج برازش مدل استفاده کردیم.

۴٫ نتایج

۴٫۱٫ نقشه برداری توزیع پوشش گیاهی حوضه رودخانه مارا

الگوریتم جنگل تصادفی برای طبقه‌بندی پوشش گیاهی به چهار نوع (جنگل، درختچه، علف و محصول) استفاده شد و سپس از دقت تولیدکننده، دقت کاربر، ضرایب کاپا و دقت کلی برای ارزیابی نتایج طبقه‌بندی هر سال استفاده شد. دقت تولیدکننده از سال ۲۰۱۵ تا ۲۰۱۹ برای جنگل ۰٫۹۸٪، ۰٫۹۵٪، ۰٫۹۶٪، ۰٫۹۸٪ و ۰٫۹۰٪ بود. برای محصول، آنها ۰٫۹۵٪، ۰٫۸۸٪، ۰٫۹۰٪، ۰٫۹۶٪ و ۰٫۸۴٪ بودند. برای چمن، آنها ۰٫۸۸٪، ۰٫۸۵٪، ۰٫۸۷٪، ۰٫۹۰٪ و ۰٫۸۳٪ بودند. و برای درختچه ۰٫۸۲%، ۰٫۸۰%، ۰٫۸۰%، ۰٫۸۵% و ۰٫۸۷% بود. دقت کاربر از سال ۲۰۱۵ تا ۲۰۱۹ برای جنگل ۰٫۹۰٪، ۰٫۸۶٪، ۰٫۸۹٪، ۰٫۹۵٪ و ۰٫۸۳٪ بود. برای محصول، آنها ۰٫۸۶٪، ۰٫۸۱٪، ۰٫۸۴٪، ۰٫۸۲٪ و ۰٫۸۸٪ بودند. برای چمن، آنها ۰٫۸۳٪، ۰٫۸۴٪، ۰٫۸۶٪، ۰٫۸۵٪ و ۰٫۸۵٪ بودند. و برای درختچه ۰٫۸۰%، ۰٫۸۲%، ۰٫۸۵%، ۰٫۸۷% و ۰٫۸۰% بود. دقت کلی از سال ۲۰۱۵ تا ۲۰۱۹ به ترتیب ۹۰٫۰۰، ۸۷٫۲۵، ۸۸٫۷۵، ۹۱٫۲۵ درصد و ۸۴٫۳۷ درصد بوده و ضرایب کاپا همگی بالای ۰٫۸ بوده است. نقشه پراکنش پوشش گیاهی حوضه رودخانه مارا بر اساس نوع پوشش گیاهی غالب هر شبکه ترسیم شد.شکل ۳ ). مساحت جنگل، بوته، چمن و زراعی حوضه به ترتیب ۱۵۴۱٫۶۸، ۲۴۸۸٫۴۹، ۷۲۱۴٫۵۵ و ۲۵۰۵٫۴۴ کیلومتر مربع ^بود . جنگل ها در نواحی بالادست و پایین دست، محصولات زراعی در نواحی بالادست، و علف و درختچه ها عمدتاً در ناحیه میان دست توزیع شدند.

۴٫۲٫ روند فضایی و زمانی VG در فصول خشک

میانگین NDVI در فصول خشک (ژانویه/فوریه و ژوئن-سپتامبر) از سال ۲۰۰۰ تا ۲۰۱۹ ۰٫۵۳ بود. حداکثر NDVI (0.63) در سال ۲۰۰۷ مشاهده شد. حداقل NDVI (0.39) در سال ۲۰۰۰ مشاهده شد. میانگین NDVI در فصول خشک یک روند نوسانی را نشان داد ( شکل ۴ ). سبزی در پوشش گیاهی بالادست و پایین دست نسبتا زیاد و سبزی میان دست کم بود ( شکل ۵).ب). سبزی هر تیپ گیاهی از مرتفع به کم به ترتیب جنگلی (۶۶۵/۰)، زراعی (۶۲۹/۰)، بوته ای (۵۳۲/۰) و چمنی (۴۷۴/۰) بود. VG در منطقه احیا به دلیل آبیاری، گرمای کافی و بارندگی نسبتاً کافی در عرض جغرافیایی پایین تر از ۰٫۶ و کمتر از ۰٫۸ در Scarpment جنگل Mau بود. VG عمدتاً ۰٫۷-۰٫۸ در تالاب مارا بود که به دلیل آب فراوان دریاچه ویکتوریا، بالاترین میزان در حوضه است. با این حال، VG کمتر از ۰٫۵ به دلیل تامین آب کافی در ذخایر در منطقه میانی بود. به طور کلی، توزیع فضایی سرسبزی در حوضه رودخانه مارا ارتباط نزدیکی با شرایط آب و هوایی دارد. VG در مناطق با بارندگی بیشتر و گرمای کافی بالا و در مناطق با بارندگی کمتر پایین بود.

شکل ۵ توزیع فضایی VGT را در فصول خشک در حوضه رودخانه مارا نشان می دهد. VG در فصول خشک یک روند سبز شدن را در حوضه رودخانه مارا نشان داد، به ویژه در مناطقی که جنگل ها و محصولات به طور گسترده توزیع شده اند ( شکل ۵ ج). در همین حال، در جریان میانی، جایی که انواع پوشش گیاهی غالب بوته‌ها و علف‌ها بودند، VG اغلب یک روند قهوه‌ای شدن را نشان می‌داد ( شکل ۵ ج). از نظر تغییرات معنی دار، اکثر مناطق روند افزایشی غیر معنی داری را نشان دادند. روند تغییر قابل توجه ارائه شده در نواحی بالادست و پایین دست متمرکز بود، جایی که جنگل‌ها و محصولات زراعی غالب انواع پوشش گیاهی بودند ( شکل ۵).د). روند تغییر کاهش قابل توجه و روند تغییر کاهش غیر قابل توجه اغلب در نواحی میان دستی و پایین دستی مشاهده می شود ( شکل ۵ د).

جدول ۱ نسبت های مساحت پوشش گیاهی را در روند تغییرات به طور قابل توجهی متفاوت نشان می دهد. جنگل بیشترین نسبت را در روند تغییر معنی دار افزایش معنی دار در بین انواع پوشش گیاهی و چمن بیشترین نسبت را در روند کاهش معنی دار داشت. به طور کلی، بیشترین پوشش گیاهی در روند تغییر غیرمعنادار افزایش (۱۷/۶۲ درصد) و کمترین پوشش گیاهی در روند تغییر کاهش معنی دار (۲۶/۲ درصد) بود.

۴٫۳٫ پاسخ VG و VGT به تغییرات آب و هوا در فصول خشک

میانگین دما در فصول خشک (ژانویه تا فوریه و ژوئن تا سپتامبر) در حوضه رودخانه مارا از سال ۲۰۰۰ تا ۲۰۱۹ ۱۹٫۴ درجه سانتیگراد بوده است، در حالی که بالاترین دما در سال ۲۰۱۷ (۲۰٫۵ درجه سانتیگراد) و کمترین دما ثبت شده است. در سال ۲۰۰۱ (۱۸٫۴ درجه سانتیگراد) ثبت شد. میانگین کل بارندگی در فصول خشک ۴۴۵٫۸ میلی متر، بیشترین بارندگی در سال ۲۰۰۷ (۶۶۰٫۸ میلی متر) و کمترین آن در سال ۲۰۱۵ (۳۱۸٫۲ میلی متر) مشاهده شده است. علاوه بر این، دما و بارندگی طی سال‌های ۲۰۰۰-۲۰۱۹ در نوسان بوده است ( شکل ۶)). در مقایسه با VG، بیشترین میزان بارندگی در همان زمان در سال ۲۰۰۷ بود. روند نوسان بارش و VG در مقایسه با دما بیشتر شبیه بود. VG زمانی که دمای بالا و بارندگی کمتر وجود داشت کوچکتر بود. در مقابل، VG احتمال بیشتری برای نشان دادن مقدار بالا با دمای پایین و بارندگی زیاد داشت.

شکل ۷روند مکانی بارش و دما در فصول خشک سال ۲۰۰۰ تا ۲۰۱۹ را نشان می دهد. در مجموع ۸۴٫۱۶ درصد از بارش در حوضه به ویژه در ناحیه پایین دست روند کاهشی را نشان می دهد، در حالی که تنها ۱۵٫۸۴ درصد از بارش روند افزایشی را نشان می دهد. . منطقه شرقی حوضه بیشترین روند افزایشی را داشته است. از نظر اهمیت روند تغییر بارش، ۲۹/۰ درصد از بارش در حوضه روند کاهشی معنی‌دار و ۸۷/۸۳ درصد از بارش روند کاهشی غیرمعنی‌دار داشته است. فقط بارش در منطقه شرقی روند افزایشی را نشان داد، در حالی که ۱۵٫۴۲ درصد از بارش در حوضه روند افزایشی غیرمعنادار و ۰٫۴۲ درصد در حوضه روند افزایشی معنی‌داری را نشان داد. دما در کل حوضه روند افزایشی را نشان داد.

شکل ۸ نمودار پراکندگی چگالی رگرسیون RF را برای VG و VGT نشان داد، مقادیر R ^۲ به ترتیب ۰٫۹۵ و ۰٫۹۱ بود. مقادیر RMSE هر دو ۰٫۰۲۳ بود. درجه برازش مدل‌ها بالا بود، که امکان‌سنجی الگوریتم RF را در تجزیه و تحلیل پاسخ‌های VG و VGT به دما و بارش در حوضه رودخانه مارا تأیید کرد.

برای درک واضح پاسخ های فضایی VG و VGT به بارش و دما، از روش نقطه شکست طبیعی برای تقسیم اهمیت به چهار بخش استفاده کردیم و اهمیت را از کم به زیاد به ترتیب I، II، III و IV نامیدیم ( شکل ۹). ). اهمیت بالا نشان‌دهنده پاسخ‌های بزرگ VG یا VGT به بارش و دما بود.

VG در شرق حوضه بیشترین پاسخ را به بارش داشت، در حالی که سبزی متمرکز در جریان میانی کمترین پاسخ را به بارش داشت. سرسبزی که بیشترین واکنش را به بارش داشت که در اطراف سبزه پراکنده بود کمترین پاسخ را در پایین دست داشت. به طور خاص، محصولات زراعی در ناحیه بالادست و مقداری چمن در ناحیه میانی و پایین رودخانه واکنش بیشتری به بارش داشتند. در مقابل، جنگل در داخل و اطراف تالاب مارا و درختچه در پارک ملی ماسای مارا و پارک ملی سرنگتی واکنش کمی به بارندگی نشان دادند ( شکل ۹).آ). VG در ناحیه بالادست بیشترین واکنش را به دما داشت و سبزی در میان جریان کمترین پاسخ را به دما داشت. مخصوص انواع پوشش گیاهی، درختچه در میان جریان کمترین واکنش را به تغییرات دما داشت، در حالی که محصول زراعی بیشترین واکنش را به تغییرات دما داشت. پاسخ به دما در منطقه پایین دست کم بود، انتظار می رود در تالاب مارا ( شکل ۹ ب). واکنش‌های فضایی سبزی به دما مشابه بارش در نواحی بالادست و میان‌دست بود که هر دو واکنش عالی نشان دادند. پاسخ فضایی VG به دما مخالف پاسخ به بارش در پایین دست بود.

پاسخ فضایی VGT به آب و هوا سازگار نبود. VGT در پارک‌های ملی واکنش‌های خوبی به بارش داشت، در حالی که VGT در ناحیه بالادست و اطراف تالاب مارا واکنش کمتری به بارش داشت. مخصوص انواع پوشش گیاهی، محصولات شمال جنگل و چمن در پایین دست کمترین واکنش را به بارش داشتند، در حالی که جنگل و چمن در ناحیه میان دستی بیشترین واکنش را به بارش داشتند ( شکل ۹ ج). واکنش VGT به دما از جنگل مائو به پایین تا تمام جریان میانی عالی بود و محصولات کشاورزی شمال جنگل مائو کمترین پاسخ را به دما داشتند ( شکل ۹).د). پاسخ VGT به بارش مطابق با دما در مناطق بالادست و میان‌دست بود. با این حال، تفاوت جزئی در پایین دست وجود داشت.

جدول ۲ و جدول ۳ به ترتیب پاسخ VG و VGT به تغییرات آب و هوا را نشان می دهند. ما اهمیت دما و بارش را در نظر گرفتیم. سرسبزی همه گونه‌های گیاهی نسبت به دما واکنش بیشتری به بارش داشت. سرسبزی محصول بیشترین پاسخ را به بارش و سبزی جنگل کمترین پاسخ را به بارش داشت. سرسبزی جنگل بیشترین واکنش را به دما و سبزی چمن کمترین واکنش را به دما داشت. همبستگی پیرسون نشان داد که بارش تأثیر مثبتی بر VG دارد، در حالی که دما تأثیر منفی بر سبزی جنگل‌ها و محصولات زراعی دارد و تأثیر مثبتی بر سبزی چمن و درختچه‌ها دارد ( جدول ۲).). این محصول دیم است و بیشتر تحت تأثیر فعالیت های انسانی مانند آبیاری است، بنابراین همبستگی کمتری با اقلیم دارد. در نتیجه، سبزی محصول حتی در شرایط تغییر اقلیم، که در آن دما در حال افزایش است و بارندگی در حال کاهش است، افزایش می یابد. در صورت عدم تداخل فعالیت های انسانی، سبزی چمن و درختچه کاهش می یابد. VG در حوضه رودخانه مارا به سرعت کاهش می یابد زیرا VG پاسخ های بسیار بیشتری به کاهش بارندگی نسبت به افزایش دما داشت.

پاسخ VGT به دما بیشتر از بارش بود، به جز برای محصولات. روند سبزی چمن بیشترین پاسخ را به دما و روند سبزی محصول کمترین پاسخ را به دما داشت. روند سبزی بوته ای بیشترین پاسخ را به بارش و روند سبزی زراعی کمترین پاسخ را به بارندگی داشت. پاسخ ها دو برابر متفاوت بود. همبستگی پیرسون نشان داد که دما بر تمام VGT ها تأثیر منفی دارد. بارش بر جنگل ها تأثیر منفی داشت، تأثیر معنی داری بر درختچه ها نداشت و تأثیر مثبتی بر علف و محصولات داشت ( جدول ۳).). جنگل‌های حوضه رودخانه مارا تحت سلطه جنگل‌های تنک با مقاومت قوی در برابر خشکسالی قرار دارند. این بدان معنی است که، مهم نیست که آب و هوا چقدر بدتر می شود، جنگل ها می توانند در فصول خشک سبز باقی بمانند. با این حال، به طور کلی، افزایش دما و کاهش بارندگی یک نقطه ضعف برای VGT ها بود. تغییر اقلیم منجر به تخریب پوشش گیاهی می شود که منابع غذایی حیوانات وحشی و ساکنان را به طور جدی کاهش می دهد، تولید و زندگی ساکنان را تهدید می کند، مانع توسعه اقتصادی می شود و در نهایت منجر به تشدید بیشتر فقر می شود.

۵٫ بحث

دمای بالا تعرق پوشش گیاهی را تسریع می کند و از رشد پوشش گیاهی جلوگیری می کند. در نتیجه وقتی دما بالا بود VG پایین بود. بارش در حوضه رودخانه مارا توسط اقیانوس هند ال نینو کنترل می شود. بارش در ال نینو افزایش می یابد و در لا نینا کاهش می یابد. تحت کنترل قوی La Nina در سال ۲۰۰۰، این حوضه در تمام طول سال شرایط خشک شدید را تجربه کرد. این شدیدترین خشکسالی در نزدیک به یک قرن بود [ ۴۴ ]. دما در سال ۲۰۰۰ نیز بالا بود. بنابراین، VG در سال ۲۰۰۰ کمترین میزان بود. با کنترل ال نینو بسیار قوی، بارندگی در فصل خشک به طور قابل توجهی در سال ۲۰۰۷ افزایش یافت که سال بسیار مرطوبی بود [ ۴۵ ]]. علاوه بر این، دما بسیار پایین بود، بنابراین VG در سال ۲۰۰۷ به بالاترین حد خود رسید.

تمایز فضایی VG در فصول خشک حوضه رودخانه مارا به طور قابل توجهی متفاوت بود. احیای کشاورزی در ناحیه بالادست در کنیا بیشترین نسبت روند افزایشی قابل توجه را به خود اختصاص داده است و چمن در میانه رود بیشترین روند کاهش را به خود اختصاص داده است. یک همبستگی آشکار بین VG و عوامل آب و هوایی [ ۲۳ ] وجود داشت. سبزی چمن و درختچه‌ها نسبت به جنگل‌ها به تغییرات آب و هوایی حساس‌تر بود، همانطور که با نتایج تحقیقات قبرزگابهر و همکاران همخوانی داشت. [ ۵ ]. پاسخ VG به بارش بیشتر از پاسخ به دما بود [ ۱]. افزایش بارندگی باعث سبز شدن می‌شود و افزایش دما منجر به سبز شدن علف‌ها و درختچه‌ها، اما قهوه‌ای شدن جنگل‌ها و محصولات می‌شود.

روند تغییر اقلیم کاهش بارندگی و افزایش دما در فصول خشک در حوضه رودخانه مارا منجر به قهوه ای شدن قابل توجه پوشش گیاهی می شود، یافته ای که با یافته های Ogutu و همکارانش مطابقت دارد. [ ۴۴ ]. VG در ناحیه بالادست به دلیل کاهش بارندگی باید قهوه ای شدن قابل توجهی را نشان دهد، اما سبزی محصول به دلیل اضافه شدن مقدار زیادی آب آبیاری برای اطمینان از رشد محصولات در فصول خشک به طور قابل توجهی افزایش یافت. درختچه ها و چمن ها در اطراف جنگل در پارک ملی سرنگتی به دلیل کانال زهکشی دست ساز در جنوب شرقی که منابع آب کافی برای ترویج سبز شدن پوشش گیاهی را تامین می کرد، تلوتلو خورده بودند [ ۴۶ ].]. تحت تأثیر احیاء در ناحیه بالادست و چرای بیش از حد در منطقه میانی، رواناب و رسوبات معلق در رودخانه مارا بسیار افزایش یافت [ ۳۳ ، ۴۷ ]. در نتیجه، پایین دست از هم جدا شد و رواناب بسیار افزایش یافت [ ۴۸ ] که منجر به گسترش تالاب مارا شد. باتلاق‌های غنی در تالاب‌ها آب و مواد مغذی کافی برای رشد پوشش گیاهی فراهم می‌کردند و باعث افزایش سریع VG در نزدیکی تالاب‌های مارا می‌شدند. به منظور حمایت از استخراج معدن مارا، دولت تانزانیا پوشش گیاهی را از بین برد و زیرساخت های مربوطه را ایجاد کرد [ ۴۹ ] که منجر به کاهش قابل توجه VG در نزدیکی معدن مارا شد.

پاسخ VGT به دما نسبت به بارش معنی دارتر بود. افزایش دما باعث مهار VGT می شود و کاهش بارندگی روند سبز شدن چمن را ترویج می کند و منجر به روند قهوه ای شدن جنگل و محصول می شود، همانطور که با یافته های Li و همکارانش مطابقت دارد. [ ۲۵ ]. VGT به دلیل آب آبیاری کافی پاسخ کمی به آب و هوا داشت. افزایش دما در فصول خشک به شدت بر روند سبز شدن درختچه‌ها و جنگل‌ها در میان جریان تأثیر گذاشت. کاهش بارندگی منجر به قهوه ای شدن آشکار در تالاب مارا شد. این VGT محیط زیست محیطی و اقتصاد را تهدید می کند [ ۳۳]. محصول دیم برای آبیاری به بارندگی در فصول بارانی متکی است و رشد در فصول خشک نیاز به آبیاری در مقیاس وسیع دارد. با توجه به رشد سریع جمعیت در زیرحوضه کنیا، منطقه آبی برای اطمینان از تولید مواد غذایی به سرعت رشد کرده است [ ۵۰ ]. به عنوان مثال، سطح آبیاری شده به ۱۰۰۰ هکتار رسیده بود، با حجم کل آب آبیاری سالانه ۱۲٫۲۵ میلیون مترمکعب ^در سال ۲۰۱۵، و سطح آبی دارای نرخ رشد سالانه ۱۰۰ هکتار است [ ۲۹ ]. کاهش رواناب و افزایش سریع تقاضای آب در آبیاری باعث کمبود آب در میان دست و پایین دست شد [ ۵۱ ]]. چمن تخریب شده در میانه جریان منابع غذایی برای حیات وحش را کاهش می دهد و حیوانات را در مناطقی که چمن بیشتر تخریب می شود مجبور می کند برای به دست آوردن غذای کافی دورتر سفر کنند.

روند تغییرات آب و هوایی حوضه رودخانه مارا با آفریقا سازگار است. پیش بینی می شود که تا پایان این قرن، میانگین دما در فصول خشک تا ۷ درجه سانتیگراد افزایش یابد و بارندگی کاهش یابد [ ۵۲ ]. تغییرات آب و هوا قبلاً تأثیر زیادی بر زیستگاه های آفریقا داشته است. کاهش بارندگی در فصل خشک می تواند منجر به تخریب پوشش گیاهی شود و بقای دام و حیات وحش را حتی در پارک های ملی تهدید کند [ ۵۳ ]. تغییرات آب و هوایی منجر به کاهش قابل توجه گونه ها شده است [ ۵۴ ]. افزایش دما و خشکسالی شدیدتر زیستگاه های مناسب را از بین می برد و خطر انقراض گونه ها را افزایش می دهد [ ۵۵ , ۵۶ ]]. برای حوضه رودخانه مارا، تغییرات آب و هوایی احتمال خشکسالی و سیل را افزایش می دهد [ ۵۷ ]، که به شدت بر تنوع زیستی، کشاورزی، حیوانات و حتی جامعه انسانی تأثیر منفی خواهد گذاشت. خشک شدن سریع زیستگاه های حیات وحش منجر به تخریب پوشش گیاهی و تغییرات در فنولوژی ساوانا شده است [ ۵۸ ، ۵۹ ] که مسیرهای مهاجرت حیات وحش را تغییر می دهد [ ۳۹ ] و بیماری های حیوانی مانند سیاه زخم و تب دره ریفت را افزایش می دهد [ ۵۱ ]. بنابراین، منابع آب و سیاست های مدیریت زیست محیطی متناظر باید برای انطباق با تغییرات اقلیمی و دستیابی به توسعه پایدار حوضه رودخانه مارا تدوین شود.

۶٫ نتیجه گیری

سرسبزی پوشش گیاهی حوضه رودخانه مارا در فصل خشک، به ویژه در منطقه کشاورزی در بالادست، از سال ۲۰۰۰ تا ۲۰۱۹ در نوسان بود. پاسخ VG به بارش بسیار بیشتر از دما بود. افزایش بارندگی می تواند باعث سبز شدن پوشش گیاهی شود و افزایش دما می تواند مانع سبز شدن شود. قهوه ای شدن پوشش گیاهی با افزایش دما و کاهش بارش و سبز شدن پوشش گیاهی با افزایش بارندگی مرتبط بود. تفاوت های زیادی در روند سبز شدن گیاهان مختلف وجود داشت. روند قهوه ای شدن چمن در میانه جریان به دلیل کاهش بارش و افزایش دما بارزترین بود. کاهش بارندگی و افزایش دما در حوضه رودخانه مارا، تخریب پوشش گیاهی را تسریع کرده و امنیت اکولوژیکی پارک ملی ماسای مارا را تهدید می‌کند. تخریب پوشش گیاهی، دستیابی به غذا را برای حیوانات دشوار می کند، زیستگاه و ایمنی حیوانات وحشی را به طور جدی از بین می برد و باعث فجایع زیست محیطی مکرر می شود. با توجه به اینکه روند کاهشی بارندگی بسیار بیشتر از روند افزایشی دما است، VG در فصول خشک دچار تخریب جدی خواهد شد. بنابراین، لازم است به طور فعال سیاست های مدیریت زیست محیطی مرتبط برای مقابله با تغییرات اقلیمی تدوین شود. تخریب جدی زیستگاه و ایمنی حیوانات وحشی و ایجاد فجایع زیست محیطی مکرر. با توجه به اینکه روند کاهشی بارندگی بسیار بیشتر از روند افزایشی دما است، VG در فصول خشک دچار تخریب جدی خواهد شد. بنابراین، لازم است به طور فعال سیاست های مدیریت زیست محیطی مرتبط برای مقابله با تغییرات اقلیمی تدوین شود. تخریب جدی زیستگاه و ایمنی حیوانات وحشی و ایجاد فجایع زیست محیطی مکرر. با توجه به اینکه روند کاهشی بارندگی بسیار بیشتر از روند افزایشی دما است، VG در فصول خشک دچار تخریب جدی خواهد شد. بنابراین، لازم است به طور فعال سیاست های مدیریت زیست محیطی مرتبط برای مقابله با تغییرات اقلیمی تدوین شود.

منابع

لامچین، م. وانگ، SW; لیم، CH; اوچیر، ا. پاول، یو. گبرو، بی.ام. چوی، ی. جئون، SW; لی، WK درک روندهای مکانی-زمانی جهانی و رابطه بین سبز بودن پوشش گیاهی و عوامل آب و هوایی بر اساس پوشش زمین در طول سال‌های ۱۹۸۲-۲۰۱۴٫ گلوب. Ecol. حفظ کنید. ۲۰۲۰ ، ۲۴ ، e01299. [ Google Scholar ] [ CrossRef ]
نیکلسون، SE; داونپورت، ام ال. Malo، AR مقایسه ای از پاسخ پوشش گیاهی به بارندگی در ساحل و شرق آفریقا، با استفاده از شاخص گیاهی تفاوت نرمال شده از NOAA AVHRR. صعود چانگ. ۱۹۹۰ ، ۱۷ ، ۲۰۹-۲۴۱٫ [ Google Scholar ] [ CrossRef ]
لی، دبلیو. Buitenwerf، R.; مانک، م. آموک، آی. Bøcher، PK؛ Svenning، JC تسریع تخریب ساوانا سیستم اجتماعی-اکولوژیکی ماسایی مارا را تهدید می کند. گلوب. محیط زیست چانگ. ۲۰۲۰ , ۶۰ , ۱۰۲۰۳۰٫ [ Google Scholar ] [ CrossRef ]
سنکران، م. حنان، NP; اسکولز، RJ; راتنام، جی. آگوستین، دی جی; Cade، BS; ژیگنوکس، جی. هیگینز، SI; لو روکس، ایکس. لودویگ، اف. و همکاران عوامل تعیین کننده پوشش چوبی در ساوانای آفریقا طبیعت ۲۰۰۵ ، ۴۳۸ ، ۸۴۶-۸۴۹٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
غبرزگابهر، م.گ. یانگ، تی. یانگ، ایکس. Eyassu Sereke، T. ارزیابی تغییرات NDVI در پاسخ به تغییرات آب و هوایی در شاخ آفریقا. مصر. J. Remote Sens. Space Sci. ۲۰۲۰ ، ۲۳ ، ۲۴۹-۲۶۱٫ [ Google Scholar ] [ CrossRef ]
موسو، ج. پاتیل، اس. شفیلد، جی. مارشال، M. پویایی پوشش گیاهی فضایی و زمانی و رابطه با آب و هوا در شرق آفریقا. هیدرول. سیستم زمین علمی بحث و گفتگو. ۲۰۱۶ ، ۵۰۲ ، ۱-۳۰٫ [ Google Scholar ]
باربوسا، HA; لاکشمی کومار، تلویزیون؛ سیلوا، LRM روندهای اخیر در پویایی پوشش گیاهی در آمریکای جنوبی و رابطه آنها با بارندگی. نات. خطرات ۲۰۱۵ ، ۷۷ ، ۸۸۳-۸۹۹٫ [ Google Scholar ] [ CrossRef ]
دیلون، ام اس؛ دامز، تی. Kübert-Flock، C.; استفان دیونتر، آی. ژانگ، جی. اولمان، تی. مدل‌سازی همجوشی فضایی و زمانی با استفاده از STARFM: نمونه‌هایی از Landsat 8 و Sentinel-2 NDVI در بایرن. Remote Sens. ۲۰۲۲ , ۱۴ , ۶۷۷٫ [ Google Scholar ] [ CrossRef ]
چاخار، ع. هرناندز-لوپز، دی. بالستروس، آر. Moreno, MA بهبود دقت الگوریتم های متعدد برای طبقه بندی محصولات با ادغام مشاهدات Sentinel-1 با داده های Sentinel-2. Remote Sens. ۲۰۲۱ , ۱۳ , ۲۴۳٫ [ Google Scholar ] [ CrossRef ]
خیرونیسا، ف. Wibowo، A. استفاده از الگوریتم NDVI در تصاویر Sentinel-2A برای تخمین بهره وری برنج (مطالعه موردی: منطقه فرعی Compreng، Subang Regency، جاوا غربی). IOP Conf. سر. محیط زمین. علمی ۲۰۲۰ , ۴۸۱ , ۰۱۲۰۶۴٫ [ Google Scholar ] [ CrossRef ]
مک.؛ یوهانسن، ک. McCabe، MF نظارت بر رویدادهای آبیاری و دینامیک محصول با استفاده از سری زمانی Sentinel-1 و Sentinel-2. Remote Sens. ۲۰۲۲ , ۱۴ , ۱۲۰۵٫ [ Google Scholar ] [ CrossRef ]
مائو، دی. وانگ، ز. لو، ال. رن، سی. ادغام داده های AVHRR و MODIS برای نظارت بر تغییرات NDVI و آنها: روابط با پارامترهای آب و هوایی در شمال شرقی چین. بین المللی J. Appl. زمین Obs. Geoinf. ۲۰۱۲ ، ۱۸ ، ۵۲۸-۵۳۶٫ [ Google Scholar ] [ CrossRef ]
کاوامورا، ک. آکیاما، تی. یوکوتا، اچ. تسوسومی، م. یاسودا، تی. واتانابه، او. وانگ، جی. وانگ، اس. نظارت بر شرایط علوفه با تصاویر MODIS در استپ Xilingol، مغولستان داخلی. بین المللی J. Remote Sens. ۲۰۰۵ ، ۲۶ ، ۱۴۲۳-۱۴۳۶٫ [ Google Scholar ] [ CrossRef ]
پتوس، سی. لوئیس، ام. وایت، دی. پایش دینامیک زمانی پوشش گیاهی تالاب حوضه آرتزین بزرگ، استرالیا، با استفاده از MODIS NDVI. Ecol. اندیک. ۲۰۱۳ ، ۳۴ ، ۴۱-۵۲٫ [ Google Scholar ] [ CrossRef ]
واکر، دی. اپستاین، HE; Raynolds، MK; کوس، پی. Kopecky، MA; فراست، GV; دانیلز، FJA; لایبمن، MO; Moskalenko، NG; Matyshak، GV; و همکاران محیط زیست، پوشش گیاهی و سرسبزی (NDVI) در امتداد ترانسکت های قطب شمال آمریکای شمالی و اوراسیا. محیط زیست Res. Lett. ۲۰۱۲ ، ۷ ، ۰۱۵۵۰۴٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
جو، جی. Masek، JG روند سبزی پوشش گیاهی در کانادا و ایالات متحده آلاسکا از داده های لندست ۱۹۸۴-۲۰۱۲٫ سنسور از راه دور محیط. ۲۰۱۶ ، ۱۷۶ ، ۱-۱۶٫ [ Google Scholar ] [ CrossRef ]
هممینا، جی. دوفرنه، ای. پونتیلر، جی. دلپیر، ن. اوبینت، ام. کاکه، بی. د گراندکورت، آ. بوربن، بی. فلچارد، سی. گرانیر، ا. و همکاران ارزیابی پتانسیل داده های ماهواره ای MODIS برای پیش بینی فنولوژی پوشش گیاهی در بیوم های مختلف: تحقیقی با استفاده از اندازه گیری های NDVI زمینی. سنسور از راه دور محیط. ۲۰۱۳ ، ۱۳۲ ، ۱۴۵-۱۵۸٫ [ Google Scholar ] [ CrossRef ]
پاتر، سی. نرخ های بازیابی سبزی پوشش گیاهی تالاب در اکوسیستم های به شدت سوخته آلاسکا برگرفته از تجزیه و تحلیل تصاویر ماهواره ای. Remote Sens. ۲۰۱۸ ، ۱۰ ، ۱۴۵۶٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
نیش، ایکس. زو، س. رن، ال. چن، اچ. وانگ، ک. پنگ، سی. تشخیص پویایی پوشش گیاهی در مقیاس بزرگ و محرک‌های بالقوه آن با استفاده از تصاویر MODIS و BFAST: مطالعه موردی در کبک، کانادا. سنسور از راه دور محیط. ۲۰۱۸ ، ۲۰۶ ، ۳۹۱-۴۰۲٫ [ Google Scholar ] [ CrossRef ]
وانگ، ز. لیو، ایکس. وانگ، اچ. ژنگ، ک. لی، اچ. وانگ، جی. An، Z. نظارت بر سبزی پوشش گیاهی در پاسخ به تغییرات آب و هوایی در امتداد شیب ارتفاعی در منطقه منبع سه رودخانه چین. ISPRS Int. J. Geo-Inf. ۲۰۲۱ ، ۱۰ ، ۱۹۳٫ [ Google Scholar ] [ CrossRef ]
Gillespie، TW; Ostermann-Kelm، S. دونگ، سی. ویلیس، KS; اوکین، جی اس. مک دونالد، GM نظارت بر تغییرات NDVI در مناطق حفاظت شده جنوب کالیفرنیا. Ecol. اندیک. ۲۰۱۸ ، ۸۸ ، ۴۸۵-۴۹۴٫ [ Google Scholar ] [ CrossRef ]
تهامی، ط. مطهر، ح. آسول، دی. برگوی، ک. اوئینتی، اچ. بلوت، جی. Andreu، JM پایش چند ساله فنولوژی سطح زمین در رابطه با متغیرهای آب و هوایی با استفاده از سری زمانی MODIS-NDVI در جنگل مدیترانه، شمال شرق تونس. Acta Oecologica ۲۰۲۲ , ۱۱۴ , ۱۰۳۸۰۴٫ [ Google Scholar ] [ CrossRef ]
کوترون، پی. Kokou، K. الگوهای فضایی پوشش گیاهی چوبی در ساوانای نیمه خشک بورکینافاسو، آفریقای غربی. بوم گیاهی. ۱۹۹۷ ، ۱۳۲ ، ۲۱۱-۲۲۷٫ [ Google Scholar ] [ CrossRef ]
موتیتی، سی ام. Medley، KE; Mutiti، S. استفاده از GIS و سنجش از دور برای کشف تأثیر عوامل محیطی فیزیکی و کاربری تاریخی زمین بر ساختار بوته‌زار. افر. جی. اکول. ۲۰۱۷ ، ۵۵ ، ۴۷۷-۴۸۶٫ [ Google Scholar ] [ CrossRef ]
اوگوتو، جو. Piepho، HP; دوبلین، اچ تی. بولا، ن. نوسانات رید، RS ال نینو-نوسانات جنوبی، بارندگی، دما و شاخص گیاهی تفاوت عادی در اکوسیستم Mara-Serengeti. افر. جی. اکول. ۲۰۰۸ ، ۴۶ ، ۱۳۲-۱۴۳٫ [ Google Scholar ] [ CrossRef ]
لی، دبلیو. Buitenwerf، R.; مانک، م. Bøcher، PK؛ Svenning، JC نقشه برداری با وضوح بالا مبتنی بر یادگیری عمیق، تراکم پوشش گیاهی چوبی را در اکوسیستم بزرگتر Maasai Mara نشان می دهد. سنسور از راه دور محیط. ۲۰۲۰ , ۲۴۷ , ۱۱۱۹۵۳٫ [ Google Scholar ] [ CrossRef ]
اوگوتو، جو. Owen-Smith، N. ENSO، تأثیرات بارندگی و دما بر کاهش شدید جمعیت در بین ونگل های ساوانای آفریقایی تأثیر می گذارد. Ecol. Lett. ۲۰۰۳ ، ۶ ، ۴۱۲-۴۱۹٫ [ Google Scholar ] [ CrossRef ]
مک کلین، من؛ سوبالوسکی، آل. اندرسون، EP; دسو، اس بی؛ Melesse, AM; Ndomba، PM; Mtamba، JOD؛ Tamatamah، RA; Mligo, C. Comparaison du régime d’écoulement, de l’hydraulique en rivière et des communautés biologiques en vue de déduire les روابط débit-ecologie de la rivière Mara au Kenya et en Tanzanie. هیدرول. علمی J. ۲۰۱۴ ، ۵۹ ، ۸۰۱-۸۱۹٫ [ Google Scholar ] [ CrossRef ]
جورج مارسلوس متوبوا، O. شبیه سازی تقاضای آب با استفاده از WEAP 21: مطالعه موردی حوضه رودخانه مارا، کنیا. بین المللی جی. نات. منبع. Ecol. مدیریت ۲۰۱۸ ، ۳ ، ۹٫ [ Google Scholar ] [ CrossRef ]
WREM International Inc. Mara River Basin Monograph: Final Report ; WREM International Inc.: آتلانتا، GA، ایالات متحده آمریکا، ۲۰۰۸; پ. ۴۴۶٫ [ Google Scholar ]
منایا، بی. Mtahiko، MGG; Wolanski، E. اگر کنیا رودخانه مارا را سد کند، خانواده سرنگتی خواهند مرد. Oryx ۲۰۱۷ ، ۵۱ ، ۵۸۱-۵۸۳٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
دسو، اس بی؛ Melesse, AM; Bhat، MG; McClain، ME ارزیابی در دسترس بودن منابع آب و تقاضا در حوضه رودخانه مارا. کاتنا ۲۰۱۴ ، ۱۱۵ ، ۱۰۴-۱۱۴٫ [ Google Scholar ] [ CrossRef ]
انبه، LM؛ Melesse, AM; مک کلین، من؛ گان، دی. Setegn، SG تأثیرات استفاده از زمین و تغییرات آب و هوایی بر هیدرولوژی حوضه رودخانه مارا فوقانی، کنیا: نتایج یک مطالعه مدل‌سازی برای حمایت از مدیریت بهتر منابع. هیدرول. سیستم زمین علمی ۲۰۱۱ ، ۱۵ ، ۲۲۴۵-۲۲۵۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
زرموگلیو، اف. اسکات، او. گفت، م. Incs، آسیب پذیری IC و ارزیابی سازگاری در حوضه رودخانه مارا. چه کسی ۲۰۱۹ ، ۱۰۰ ، ۱۰۲–۱۰۵٫ [ Google Scholar ]
بریمن، L. جنگل های تصادفی. ماخ فرا گرفتن. ۲۰۰۱ ، ۴۵ ، ۵-۳۲٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Ho, TK روش تصادفی زیرفضای برای ساختن جنگل های تصمیم. IEEE Trans. الگوی مقعدی ماخ هوشمند ۱۹۹۸ ، ۲۰ ، ۸۳۲-۸۴۴٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
عیسوی، و. همایونی، س. یزدی، ع.م. علیمحمدی، ع. نقشه برداری پوشش زمین بر اساس طبقه بندی تصادفی جنگل تصاویر طیفی و حرارتی چند زمانی. محیط زیست نظارت کنید. ارزیابی کنید. ۲۰۱۵ ، ۱۸۷ ، ۲۹۱٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
جانری، آر. سیرگار، معاون; نبابان، ب. Prasetyo، LB; Wouthuyzen، S. طبقه بندی جنگل تصادفی برای نقشه برداری پوشش زمین حرا با استفاده از تصاویر Landsat 5 TM و Alos Palsar. Procedia Environ. علمی ۲۰۱۵ ، ۲۴ ، ۲۱۵-۲۲۱٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
دیویس، AB; Asner, GP Elephants افزایش کربن بالای زمین را در ساوانای آفریقا محدود می کند. گلوب. چانگ. Biol. ۲۰۱۹ ، ۲۵ ، ۱۴۵۸۵٫ [ Google Scholar ] [ CrossRef ]
چن، جی. جانسون، پی. تامورا، م. گو، ز. ماتسوشیتا، بی. یک روش ساده برای بازسازی مجموعه داده سری زمانی NDVI با کیفیت بالا بر اساس فیلتر Savitzky-Golay. سنسور از راه دور محیط. ۲۰۰۴ ، ۹۱ ، ۳۳۲-۳۴۴٫ [ Google Scholar ] [ CrossRef ]
Verhoef, W. کاربرد تحلیل هارمونیک سری های زمانی NDVI (HANTS). فوریه مقعد. موقت NDVI S. Afr. صبح. قاره ها. ۱۹۹۶ ، ۱۰۸ ، ۱۹-۲۴٫ [ Google Scholar ]
هائو، پی. ژان، ی. وانگ، ال. نیو، ز. Shakir، M. انتخاب ویژگی داده های سری زمانی MODIS برای طبقه بندی محصولات اولیه با استفاده از جنگل تصادفی: مطالعه موردی در کانزاس، ایالات متحده. Remote Sens. ۲۰۱۵ ، ۷ ، ۵۳۴۷–۵۳۶۹٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
آزمون های ناپارامتری Mann، HB در برابر روند. Econometrica ۱۹۴۵ , ۱۳ , ۲۴۵٫ [ Google Scholar ] [ CrossRef ]
اوگوتو، جو. اوون اسمیت، ن. Piepho، HP; گفت، من؛ کیفوگو، SC; رید، RS; گیچوهی، ح. کاهمبو، پ. Andanje, S. تغییر جمعیت حیات وحش در پارک ملی نایروبی و دشت های آتی-کاپوتیه مجاور: فروپاشی وحشی مهاجر. Conserv را باز کنید. Biol. J. ۲۰۱۳ ، ۷ ، ۱۱-۲۶٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
داس، پ. ژانگ، ز. رن، اچ. ارزیابی چهار روش تصحیح سوگیری و مدل جنگل تصادفی برای پیش بینی تغییرات آب و هوا در حوضه رودخانه مارا، شرق آفریقا. جی. آب و هوا. چانگ. ۲۰۲۲ ، ۱۳ ، ۱۹۰۰-۱۹۱۹٫ [ Google Scholar ] [ CrossRef ]
رید، DN; اندرسون، TM; دمپ وولف، جی. متزگر، ک. Serneels، S. توزیع فضایی انواع پوشش گیاهی در اکوسیستم سرنگتی: تأثیر بارش و تسکین توپوگرافی بر ویژگی‌های لکه‌های گیاهی. J. Biogeogr. ۲۰۰۹ ، ۳۶ ، ۷۷۰-۷۸۲٫ [ Google Scholar ] [ CrossRef ]
داتون، CL; سوبالوسکی، آل. انیسفلد، SC; نجروگه، ال. رزی، ای جی; Post, DM تأثیر یک حوضه فرعی نیمه خشک بر رسوبات معلق در رودخانه مارا، کنیا. PLoS ONE ۲۰۱۸ , ۱۳ , e0192828. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
برگولی، اف. کروساتو، آ. پارون، پ. مک‌کلین، ME انسان‌ها تالاب‌ها را تغییر می‌دهند: رونمایی از ۱۰۰ سال اخیر تغییرات مورفولوژیکی تالاب مارا، تانزانیا. علمی کل محیط. ۲۰۱۹ ، ۶۹۱ ، ۸۹۶–۹۰۷٫ [ Google Scholar ] [ CrossRef ]
Mwemezi، BR; Luvara، VGM قابلیت اطمینان مطالعات امکان سنجی زیست محیطی برای پروژه های معدنی و ساخت و ساز: موردی از حوضه رودخانه مارا در تانزانیا. صبح. جی. محیط زیست. مهندس ۲۰۱۷ ، ۷ ، ۶۵-۷۲٫ [ Google Scholar ] [ CrossRef ]
Pruijssen، MJ FLEX-Topo مدلسازی استفاده و تقاضای آب در حوضه رودخانه مارا، کنیا . دانشگاه صنعتی دلفت: دلفت، هلند، ۲۰۱۵٫ [ Google Scholar ]
بارتزکه، جی اس. اوگوتو، جو. موخوپادهایای، س. Mtui، D.; دوبلین، اچ تی. روندها و تغییرات بارندگی پیفو، HP در اکوسیستم ماسای مارا و پیامدهای آنها بر جمعیت حیوانات و پویایی تنوع زیستی. PLoS ONE ۲۰۱۸ , ۱۳ , e0202814. [ Google Scholar ] [ CrossRef ]
Wainwright، CM; سیاه، ای. Allan، RP Future Changes in Wet and Dry Season Characters در شبیه سازی های CMIP5 و CMIP6. J. Hydrometeorol. ۲۰۲۱ ، ۹ ، ۲۳۳۹-۲۳۵۶٫ [ Google Scholar ] [ CrossRef ]
اوگوتو، جو. Owen-Smith، N. نوسانات در جمعیت های بزرگ پستانداران: آیا آنها مربوط به شکار یا بارندگی هستند؟ Proc. افر. جی. اکول. ۲۰۰۵ ، ۴۳ ، ۳۳۲-۳۳۹٫ [ Google Scholar ] [ CrossRef ]
سینتایهو، DW تأثیر تغییر آب و هوا بر تنوع زیستی و خدمات کلیدی اکوسیستم مرتبط در آفریقا: یک بررسی سیستماتیک. اکوسیستم. پایداری سلامت. ۲۰۱۸ ، ۴ ، ۲۲۵-۲۳۹٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
براون، JD Biogeography، Sinauer Associates ; انجمن بین المللی TTESOL: اسکندریه، VA، ایالات متحده آمریکا، ۲۰۱۳; جلد ۱۷، ص ۴۴–۵۰٫ [ Google Scholar ]
Thuiller، W. برونیمن، او. هیوز، جی. Alkemade، JRM; Midgley، GF; کورسی، F. آسیب پذیری پستانداران آفریقایی در برابر تغییرات آب و هوایی انسانی تحت مفروضات تبدیل زمین محافظه کارانه. گلوب. چانگ. Biol. ۲۰۰۶ ، ۱۲ ، ۴۲۴-۴۴۰٫ [ Google Scholar ] [ CrossRef ]
باروس، VR؛ فیلد، CB; داکن، دی جی؛ ماستراندرا، MD; ماخ، KJ؛ Bilir, TE; چاترجی، م. Ebi، KL; استرادا، یو. جنوا، RC; و همکاران تأثیرات، سازگاری و آسیب‌پذیری تغییرات آب و هوا در سال ۲۰۱۴ بخش B: جنبه‌های منطقه‌ای: مشارکت گروه کاری II در پنجمین گزارش ارزیابی پانل بین‌دولتی در مورد تغییرات اقلیمی . انتشارات دانشگاه کمبریج: کمبریج، انگلستان، ۲۰۱۴; ISBN 9781107415386. [ Google Scholar ]
والتر، GR; پست، ای. انتقال، پ. منزل، ع. پارمزان، سی. Beebee، TJC; Fromentin، JM; هوگ گولدبرگ، او. Bairlein, F. پاسخ های اکولوژیکی به تغییرات آب و هوایی اخیر. طبیعت ۲۰۰۲ ، ۴۱۶ ، ۳۸۹-۳۹۵٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
ریشه، TL; قیمت، JT; هال، KR؛ اشنایدر، SH; روزنزوایگ، سی. پوند، JA اثر انگشت گرم شدن کره زمین بر روی حیوانات و گیاهان وحشی. طبیعت ۲۰۰۳ ، ۴۲۱ ، ۵۷-۶۰٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]

شکل ۱٫ نقشه موقعیت حوضه رودخانه مارا.

شکل ۲٫ نمودار جریان روش.

شکل ۳٫ نقشه پراکنش پوشش گیاهی حوضه رودخانه مارا.

شکل ۴٫ روند زمانی VG در فصول خشک حوضه رودخانه مارا.

شکل ۵٫ توزیع فضایی VGT در فصول خشک در حوضه رودخانه مارا: ( الف ) تغییرات NDVI در فصول خشک. ( ب ) میانگین NDVI در فصول خشک؛ ( ج ) روند تغییر NDVI در فصول خشک ( S -value). ( د ) روند تغییر قابل توجه NDVI در فصول خشک ( Z -value).

شکل ۶٫ میانگین دمای سالانه و بارندگی کل فصول خشک در حوضه رودخانه مارا.

شکل ۷٫ توزیع مکانی روند تغییر دما و بارندگی در فصول خشک در حوضه رودخانه مارا: ( الف ) روند تغییر بارش در فصول خشک ( S- value); ( ب ) روند تغییر قابل توجه بارندگی در فصول خشک ( Z -value). ( ج ) روند تغییر دما در فصول خشک ( S -value). ( د ) روند تغییر قابل توجه دما در فصول خشک ( Z -value).

شکل ۸٫ عملکرد رگرسیون تصادفی جنگل بر روی پاسخ VG و VGT به بارش و دما در فصول خشک: ( الف ) VG و ( ب ) VGT.

شکل ۹٫ پاسخ VG و VGT به عوامل آب و هوایی در حوضه رودخانه مارا در فصول خشک: ( الف ) پاسخ سبزی به بارش در فصول خشک. ( ب ) واکنش سبزی به دما در فصول خشک؛ ( ج ) واکنش روند سبزی به بارندگی در فصول خشک؛ و ( د ) پاسخ روند سبزی به دما در فصول خشک.

هوش مکانی اتیم تحقیقاتی ونوس نصیرفام