پوشش گیاهی یک قطب کلیدی است که چرخه مواد، جریان انرژی و انتقال اطلاعات اکوسیستم‌های زمینی را به هم متصل می‌کند ^۱ ، ۲ ، و تغییرات پوشش آن مستقیماً منعکس کننده پویایی اکوسیستم‌های زمینی است ^۳ ، ۴٫ در مناطق خشک و نیمه‌خشک که به آب و هوا و فعالیت‌های انسانی بسیار حساس هستند، شاخص‌های پوشش گیاهی به ویژه برای مطالعه فرآیندهای هیدرولوژیکی، عملکردهای اکوسیستم و تغییرات محیطی منطقه‌ای اهمیت دارند ^۵ ، ۶٫ در این اکوسیستم‌ها، پویایی پوشش گیاهی نه تنها به عنوان شاخص‌های تغییرات آب و هوایی عمل می‌کند، بلکه یک بازخورد دو طرفه نزدیک با خواص فیزیکی و شیمیایی خاک و در دسترس بودن آب نیز تشکیل می‌دهد. بنابراین، توصیف کمی الگوی تغییرات مکانی-زمانی پوشش گیاهی و آشکار کردن مکانیسم هدایت آب و هوا-خاک-آب آن، اهمیت علمی و عملی قابل توجهی برای حفاظت از محیط زیست دارد.

در پایش سنجش از دور، NDVI همبستگی خوبی با زیست توده و شاخص سطح برگ دارد و می‌تواند به خوبی پوشش گیاهی سطح را منعکس کند. این می‌تواند برای توصیف مؤثر فعالیت‌های گیاهی و بهره‌وری مورد استفاده قرار گیرد و برای نمایش تغییرات در پوشش گیاهی سطح قابل استفاده است ^۷ ، ۸٫ با این حال، حساسیت NDVI به پس‌زمینه خاک و روند اشباع آن در مناطقی با پوشش گیاهی بالا منجر به کاهش حساسیت آن به تغییرات در تراکم پوشش گیاهی می‌شود ^{۹ ، ۱۰ ، ۱۱٫} بنابراین، کمپس والس و همکاران ^۱۲ از اصول یادگیری ماشینی استفاده کردند و نظریه روش هسته را برای استخراج و محاسبه NDVI به کار بردند و یک شاخص گیاهی جدید، kNDVI، را پیشنهاد کردند. شاخص kNDVI با هدف پرداختن به مسئله اشباع NDVI سنتی در مناطقی با پوشش گیاهی بالا، برای انعکاس دقیق‌تر وضعیت بیوفیزیکی و فیزیولوژیکی پوشش گیاهی طراحی شده است ^. مطالعات متعدد نشان داده‌اند که در مقایسه با NDVI، kNDVI در ثبت دینامیک فصلی، بهره‌وری اولیه ناخالص (GPP) و فلورسانس کلروفیل ناشی از خورشید (SIF) عملکرد بهتری دارد و مزایای آن به ویژه در مناطق با پوشش گیاهی بالا و خشک ^{۱۴ ، ۱۵} قابل توجه است . علاوه بر این، حساسیت آن به فرآیندهای بیوفیزیکی در جنگل‌های گرمسیری و اکوسیستم‌های احیا بیشتر است . ^۱۲٫ در حال حاضر، kNDVI به طور گسترده در نظارت بر پوشش گیاهی، ارزیابی وضعیت رشد و تجزیه و تحلیل پاسخ‌های پوشش گیاهی به تغییرات آب و هوایی و تغییر کاربری زمین به کار گرفته شده است. به عنوان مثال، لیو و همکاران. ^۱۶ از kNDVI برای آشکار کردن رابطه بین احیای پوشش گیاهی و کاربری زمین در حوضه رودخانه زرد استفاده کردند. فنگ و همکاران. ^۱۷ آزمون جهش من-کندال (MK)، تحلیل شیب تیل-سن و تحلیل آزمون من-کندال را برای مطالعه ویژگی‌های تغییرات مکانی-زمانی kNDVI علفزارهای جهانی ترکیب کردند. با این حال، مطالعات موجود به ندرت مقایسه‌های معیار سیستماتیک بین NDVI و kNDVI در مناطق خشک و نیمه‌خشک، به ویژه در رابطه با محدوده دینامیکی، اثرات خاک-زمینه، اشباع پوشش بالا و اتصال با فرآیندهای آب، انجام می‌دهند که منجر به نتایج بالقوه مغرضانه در تشخیص روند و انتساب می‌شود.

در حال حاضر، مطالعات مربوط به تغییرات پوشش گیاهی عمدتاً بر تحلیل روند کلی kNDVI متمرکز هستند. در میان آنها، تخمین شیب Theil-Sen یک روش ناپارامتری رایج برای کمی‌سازی روند بلندمدت سری‌های زمانی kNDVI است که مقاومت بالایی در برابر داده‌های پرت و توزیع‌های چولگی ارائه می‌دهد ^۱۸٫ با این حال، این روش فقط می‌تواند بزرگی تغییر روند را منعکس کند و نمی‌تواند اهمیت آماری آن را تعیین کند، که قابلیت تفسیر آن را محدود می‌کند. برای رفع این محدودیت، مطالعات اغلب آزمون Mann-Kendall (MK) را با روش تخمین شیب Theil-Sen ترکیب می‌کنند تا هم بزرگی روند و هم اهمیت آماری آن را کمی‌سازی کنند. در مقایسه با روش‌های آماری متکی بر فرضیات پارامتری (مانند حداقل مربعات معمولی)، این رویکرد ترکیبی هنگام کار با سری‌های زمانی با داده‌های پرت یا توزیع‌های غیر نرمال، قوی‌تر است و بنابراین به طور گسترده در تحلیل روند پوشش گیاهی کاربرد دارد ^{۱۹ ، ۲۰} . اخیراً، یک چارچوب تحلیل روند قوی با ادغام تخمین Theil-Sen، آزمون‌های MK زمینه‌ای‌شده و کنترل نرخ کشف کاذب (FDR) برای بهبود دقت و قابلیت اطمینان تخمین روند سنجش از دور در مقیاس بزرگ توسعه داده شده است . ^۲۱ با این حال، تمرکز صرف بر تغییرات بین سالانه kNDVI ممکن است اختلالات کوتاه‌مدت نهفته در سری‌های زمانی را نادیده بگیرد. برای ثبت دقیق‌تر پویایی پوشش گیاهی، لازم است تغییرات ناگهانی در سری‌های زمانی پایش و ارزیابی شوند . ^۲۲ روش‌های مختلفی برای تشخیص تغییرات پوشش گیاهی، از جمله تشخیص روند اختلال و بازیابی بر اساس تصاویر لندست ^۲۳ و ردیاب تغییر پوشش گیاهی ^۲۴ ، توسعه داده شده‌اند. الگوریتم‌های تقسیم‌بندی سری‌های زمانی مانند LandTrendr می‌توانند اختلالات ناگهانی، تخریب پایدار و مراحل بازیابی را در سری‌های زمانی طولانی شناسایی کنند و به طور گسترده در ارزیابی پروژه‌های اکولوژیکی و پایش ریسک به کار گرفته شده‌اند. ۲۳ با توجه به تنوع و عدم قطعیت تغییر پوشش گیاهی، تنها داده‌های سنجش از دور ^با وضوح زمانی بالا می‌توانند فرآیند کامل تغییر پوشش گیاهی را در مقیاس‌های زمانی کوتاه به طور کامل توصیف کنند ^. بنابراین، سری‌های زمانی متراکم ماهواره‌ای، اساس پایش پویای پوشش گیاهی را تشکیل می‌دهند ^۶ و تحلیل تغییرات سری‌های زمانی توجه فزاینده‌ای را به خود جلب کرده است. این رویکرد به طور فزاینده‌ای در سری‌های زمانی kNDVI برای تشخیص روند و شناسایی نقطه شکست، هموارسازی و درون‌یابی سری‌های زمانی و تحلیل فنولوژی سطح زمین به کار گرفته شده است ^۲۶بنابراین، تکیه صرف بر روندهای یکنواخت در کل دوره، تمایل به پنهان کردن تغییرات ساختاری و تغییرات واگرای خاص هر مرحله دارد و ارزیابی اینکه آیا یک روند پایدار است یا خیر را دشوار می‌کند. این امر بر نیاز فوری به یک چارچوب تشخیصی یکپارچه که «تشخیص تغییرات ناگهانی – ارزیابی بخش‌بندی شده – تفسیر پایداری» را به هم پیوند می‌دهد، تأکید می‌کند.

مغولستان داخلی، واقع در شمال چین در امتداد مرز، قلمرو وسیعی را با توپوگرافی متنوع و مناظر متنوع پوشش می‌دهد و از جمله حساس‌ترین مناطق جهان نسبت به تغییرات زیست‌محیطی است ^۱۴٫ این منطقه دارای آب و هوای خشک و نیمه‌خشک است و در طول ۴۰ سال گذشته، نرخ افزایش دما در آن بسیار فراتر از میانگین جهانی ^{۲۷ ، ۲۸} بوده است . مطالعات نشان می‌دهد که میزان گرمایش آن حدود دو تا سه برابر میانگین جهانی ^۲۹ است که با کاهش بارندگی و افزایش عمق آب‌های زیرزمینی همراه بوده است که خطر تخریب پوشش گیاهی را افزایش داده است. علاوه بر این، از سال ۲۰۰۰، این منطقه وارد مرحله‌ای از توسعه سریع اجتماعی-اقتصادی شده است. عمق آب‌های زیرزمینی، آب و هوا، شرایط خاک و فعالیت‌های انسانی به سرعت در حال تغییر شکل ساختار و عملکرد سیستم‌های گیاهی در سطوح مختلف هستند که پیامدهای قابل توجهی برای بوم‌شناسی و پایداری دارد. در این زمینه، دسترسی به آب نه تنها یک عامل محدودکننده کلیدی برای رشد پوشش گیاهی است، بلکه محرک مهمی برای ساختار خاک و چرخه مواد مغذی نیز می‌باشد، در حالی که بافت خاک، توپوگرافی و شیوه‌های کاربری زمین، دسترسی به آب برای پوشش گیاهی را تنظیم می‌کنند و یک شبکه پیچیده و متصل را تشکیل می‌دهند ^{۳۰ ، ۳۱٫} با این حال، مطالعات کمی در مقیاس منطقه‌ای، آب‌های زیرزمینی، بارش، دما، خواص فیزیکوشیمیایی خاک، توپوگرافی و کاربری زمین را به صورت کمی مقایسه می‌کنند یا تسلط نسبی آنها را رتبه‌بندی می‌کنند. اکثر تحقیقات هنوز بر همبستگی‌های تک عاملی تمرکز دارند که توانایی تشخیص محرک‌های اولیه از ثانویه را در ناهمگونی مکانی محدود می‌کند.

به طور خلاصه، این مطالعه ابتدا یک مقایسه سیستماتیک بین NDVI و kNDVI انجام می‌دهد تا مناسب‌ترین شاخص اولیه پویایی پوشش گیاهی را انتخاب کند. بر این اساس، یک چارچوب تشخیصی یکپارچه “روند-تغییر ناگهانی-پایداری” ایجاد می‌شود: از آزمون‌های متوالی MK برای شناسایی نقاط تغییر ناگهانی و بخش‌بندی سری‌ها استفاده می‌شود. در هر بخش، تخمین Theil-Sen همراه با آزمون MK برای ارزیابی بزرگی و اهمیت روند اعمال می‌شود. سپس پایداری با استفاده از توان Hurst تفسیر می‌شود. در نهایت، از همبستگی پیرسون در سطح پیکسل و تحلیل‌های Geodetector برای مقایسه کمی و رتبه‌بندی مکانی قدرت توضیحی عواملی از جمله آب‌های زیرزمینی، بارش، دما، خواص فیزیکوشیمیایی خاک، توپوگرافی و کاربری اراضی استفاده می‌شود و در نتیجه الگوهای عامل غالب زیربنای ناهمگونی مکانی پوشش گیاهی در منطقه استخراج می‌شود. این چارچوب چند عاملی با هدف آشکار کردن روابط پوشش گیاهی-خاک-آب و تغییرات مکانی-زمانی آنها در مناطق خشک و نیمه‌خشک، شواهد کمی برای پشتیبانی از احیای اکولوژیکی و مدیریت منابع آب ارائه می‌دهد.

منطقه مورد مطالعه

منطقه خودمختار مغولستان داخلی در شمال چین در امتداد مرز (۹۷° ۱۲′–۱۲۶° ۰۴′ شرقی، ۳۷° ۲۴′–۵۳° ۲۳′ شمالی) واقع شده است و مساحتی بالغ بر ۱٫۱۸۳ × ۱۰۶ کیلومتر مربع را پوشش می‌دهد ^که ۱۲٫۳ ^٪ از کل مساحت چین را تشکیل می‌دهد و آن را به سومین واحد اداری بزرگ در سطح استان در کشور تبدیل می‌کند. این منطقه تحت حاکمیت آب و هوای معتدل موسمی قاره‌ای با تغییرات منطقه‌ای و فصلی قابل توجه است: میزان بارندگی سالانه حدود ۳۷۵ میلی‌متر است که از شمال شرقی به جنوب غربی کاهش می‌یابد و یک گرادیان رطوبتی مشخص را تشکیل می‌دهد. میانگین دمای سالانه از ۴٫۶۵- تا ۹٫۱۴ درجه سانتیگراد متغیر است و روند معکوسی را نشان می‌دهد که از شمال شرقی به جنوب غربی افزایش می‌یابد. و عمق آب‌های زیرزمینی بین ۸ تا ۱۶۵ متر است که عموماً در امتداد این گرادیان شرایط هیدروترمال افزایش می‌یابد. انواع خاک تمایز مکانی واضحی را نشان می‌دهند، از خاک‌های سیاه، خاک‌های لوم قهوه‌ای تیره و خاک‌های آهکی سیاه در شرق، به خاک‌های آهکی شاه بلوطی، خاک‌های لوم قهوه‌ای، خاک‌های آهکی خاکستری، خاک‌های شنی و در نهایت خاک‌های بیابانی خاکستری به سمت غرب. انواع پوشش گیاهی از شیب بارندگی از جنگل‌ها در شرق، به علفزارها در منطقه مرکزی و بیابان‌ها در غرب پیروی می‌کنند. علفزارها را می‌توان بر اساس منطقه آب و هوایی به استپ‌های چمنزار، استپ‌های معمولی و استپ‌های بیابانی ^۳۲ طبقه‌بندی کرد (شکل ۱ ). این شیب هماهنگ آب-انرژی، خاک و پوشش گیاهی، یک آزمایشگاه مکانی طبیعی برای تجزیه و تحلیل مکانیسم‌های جفت شدن پوشش گیاهی-خاک-آب در مقیاس منطقه‌ای فراهم می‌کند.

داده‌های سنجش از دور

تصاویر لندست (L5 TM، L7 ETM+، L8 OLI) از ژانویه ۲۰۰۰ تا دسامبر ۲۰۲۴ از طریق پلتفرم Google Earth Engine (GEE) به دست آمد، و از QA_PIXEL/CFMask برای پوشش ابر استفاده شد و صحنه‌هایی با پوشش ابر بیش از ۲۰٪ حذف شدند. برای افزایش قابلیت مقایسه، تمام داده‌ها با تصویر و وضوح ۳۰ متر استاندارد شدند (نمونه‌گیری مجدد دوخطی برای رسترهای پیوسته و نمونه‌گیری مجدد نزدیکترین همسایه برای رسترهای دسته‌ای) و ترکیبات میانه سالانه (یا فصل رشد) تولید شدند. منابع داده‌ها و پارامترهای کلیدی و برخی از عوامل مؤثر در جدول  ۱ و شکل  ۲ نشان داده شده است .

مجموعه داده‌های خاک

برای پوشش انواع مختلف کاربری زمین، مکان‌های نمونه‌برداری در تابستان ۲۰۲۴ با تراکم تقریبی یک مکان در هر ۱۰۰۰۰۰ کیلومتر مربع (شکل ۳) تعیین شدند ^. نمونه‌های خاک سطحی (۰ تا ۳۰ سانتی‌متر) با استفاده از یک مته فولادی ضد زنگ جمع‌آوری شدند؛ سه زیرنمونه در هر مکان گرفته شد و در یک نمونه مرکب واحد ترکیب شدند که در مجموع ۳۶۳ نمونه به دست آمد. اندازه‌گیری‌ها و روش‌های آزمایشگاهی به شرح زیر بود: pH در یک سوسپانسیون آب به خاک با نسبت ۲٫۵:۱ تعیین شد ^۳۳ ؛ نیتروژن کل (TN) با استفاده از روش نیمه میکرو کجلدال ^{۳۴ اندازه‌گیری شد؛ فسفر کل (TP) از طریق روش رنگ‌سنجی همجوشی NaOH-مولیبدن-آنتیموان ۳۵} تعیین شد ؛ پتاسیم کل (TK) از طریق روش همجوشی NaOH-فتومتری شعله ^۳۶ تعیین شد ؛ ماده آلی خاک (SOM) با استفاده از روش اکسیداسیون دی‌کرومات پتاسیم-گرمایش خارجی ^۳۷ تعیین شد ؛ فسفر موجود (AP) با NaHCO₃ استخراج و با استفاده از اسپکتروفتومتر UV-visible ^۳۸ تعیین شد ؛ پتاسیم موجود (AK) با NH₄OAc استخراج و با استفاده از نورسنجی شعله ^۳۹ تعیین شد ؛ و نیتروژن قابل هیدرولیز قلیایی (AN) با استفاده از روش انتشار هیدرولیز قلیایی ^۴۰ تعیین شد . تمام تجزیه و تحلیل‌ها مطابق با روش‌های استاندارد مربوطه و تحت یک پروتکل کنترل کیفیت واحد انجام شد تا قابلیت مقایسه و قابلیت اطمینان داده‌ها تضمین شود.

برای رعایت مفروضات نرمال بودن و پایداری واریانس کریجینگ، همه متغیرها تبدیل لگاریتمی شدند و نیم‌تغییرنماها ساخته و با مدل بهینه (کروی، نمایی یا گاوسی) برای هر متغیر برازش داده شدند. سپس درون‌یابی کریجینگ معمولی بر این اساس انجام شد . ^۴۱٫ نتایج اعتبارسنجی متقابل نشان داد که میانگین خطا (ME) نزدیک به ۰، جذر میانگین مربعات خطای استاندارد (RMSSE) تقریباً ۱ و RMSE مشابه ASE بود، که نشان می‌دهد درون‌یابی هیچ گونه بایاس قابل توجهی نشان نداده و تخمین‌های عدم قطعیت منطقی بوده‌اند (جدول ۲ ).

کاربرد kNDVI

تعریف NDVI در معادله ( ۱ ) آمده است و شکل هسته kNDVI در معادلات ( ۲ ) تا ( ۴ ) ارائه شده است. تحت یک هسته شعاعی با σ مشخص، معادلات ( ۲ ) تا ( ۴ ) را می‌توان به عنوان یک نگاشت غیرخطی از NDVI تقریب زد. در این مطالعه، فرمول تجربی در معادله ( ۵ ) برای تسهیل محاسبات در مقیاس بزرگ اتخاذ شد. مقادیر NDVI پیکسلی به‌دست‌آمده از GEE برای ساخت یک مجموعه داده سری زمانی kNDVI برای مغولستان داخلی که سال‌های ۲۰۰۰ تا ۲۰۲۴ را پوشش می‌دهد، تبدیل شدند. مقایسه بین kNDVI و NDVI سالانه انجام شد، از جمله تجزیه و تحلیل توزیع مکانی، محدوده دینامیکی، ویژگی‌های آماری و رفتار اشباع در مناطق با پوشش بالا، و همچنین ارزیابی همبستگی و قدرت توضیحی با متغیرهای مرتبط با آب (بارش، رطوبت خاک و عمق آب‌های زیرزمینی)، تا منطق استفاده از kNDVI تأیید شود.

در اینجا، n نشان دهنده باند مادون قرمز نزدیک (NIR)، r نشان دهنده باند قرمز و k نشان دهنده تابع هسته است که برای اندازه گیری شباهت بین باندهای NIR و قرمز استفاده می شود. تابع هسته معمولاً با استفاده از یک تابع پایه شعاعی (RBF) پیاده سازی می شود که به صورت زیر بیان می شود:

در اینجا، σ پارامتر مقیاس طول است که متناسب با میانگین بازتاب باندهای مادون قرمز نزدیک و قرمز در تصاویر سنجش از دور به دست آمده می‌باشد. سپس، با استفاده از معادله ( ۳ )، k(n, n) و k(n, r) محاسبه و در معادله ( ۲ ) جایگزین می‌شوند. از طریق تبدیل ریاضی، عبارت به شکل تابع تانژانت هیپربولیک تبدیل می‌شود:

اگر σ = ۰٫۵ (n + r) باشد، می‌توان به یک مصالحه خوب بین دقت و سادگی دست یافت که امکان محاسبات پیکسلی کارآمدتر را فراهم می‌کند. مقدار σ تأثیر قابل توجهی بر نرمی تابع هسته دارد: σ بزرگتر پاسخ نرم‌تری ایجاد می‌کند و به طور مؤثر نویز را کاهش می‌دهد اما به طور بالقوه باعث از دست رفتن جزئیات می‌شود. برعکس، σ کوچکتر جزئیات بیشتری را حفظ می‌کند اما به نویز حساس‌تر است. با تنظیم σ به نصف میانگین n و r، تعادل مناسبی بین نرمی و حفظ جزئیات حاصل می‌شود. این ترکیب خطی ساده نه تنها محاسبات را ساده می‌کند، بلکه کارایی پردازش را نیز بهبود می‌بخشد، به ویژه برای مجموعه داده‌های سنجش از دور در مقیاس بزرگ. علاوه بر این، آزمایش‌ها نشان داده‌اند که این مقدار خاص σ در سناریوهای مختلف عملکرد خوبی دارد و بنابراین به عنوان تنظیم پیش‌فرض ^۴۲ پذیرفته می‌شود . بر این اساس، معادله ( ۴ ) را می‌توان به صورت زیر ساده کرد:

روش‌های ارزیابی روند سری‌های زمانی و تشخیص تغییرات ناگهانی

این مطالعه از یک گردش کار یکپارچه شامل «اندازه و اهمیت روند + تشخیص تغییرات ناگهانی و تقسیم‌بندی فاز» استفاده می‌کند. ابتدا، از روش Theil-Sen برای تخمین نرخ سالانه تغییر (اندازه/جهت) استفاده می‌شود و آزمون Mann-Kendall (MK) برای ارزیابی اهمیت آماری به کار گرفته می‌شود. سپس از تحلیل Sequential MK (UF/UB) برای شناسایی سال‌های تغییر ناگهانی و تقسیم‌بندی سری‌های زمانی استفاده می‌شود و در نتیجه از پنهان شدن تغییرات واگرای مختص فاز توسط میانگین‌های کل دوره جلوگیری می‌شود.

بزرگی و اهمیت روند: تیل-سن + من-کندال

تخمین شیب تیل-سن یک روش قوی و ناپارامتری است که به فرضیات توزیعی متکی نیست و آن را برای مدیریت مقادیر گمشده در سری‌های زمانی و کاهش تأثیر توزیع داده‌ها بر نتایج مناسب می‌کند. مقاومت قوی آن در برابر داده‌های پرت، عملکرد قابل اعتمادی را در مجموعه داده‌های متنوع تضمین می‌کند و در نتیجه اعتبار علمی یافته‌ها را افزایش می‌دهد . ^۱۸٫ در این مطالعه، تخمین‌گر شیب میانه تیل-سن برای تعیین کمیت روندهای زمانی kNDVI در مغولستان داخلی از سال ۲۰۰۰ تا ۲۰۲۴ اعمال می‌شود. شیب با استفاده از معادله ( ۶ ) محاسبه می‌شود :

که در آن به ترتیب مقادیر kNDVI را در سال‌های j و i نشان می‌دهند و Median تابع میانه را نشان می‌دهد. مقدار β بزرگتر از ۰ نشان دهنده روند رو به بهبود kNDVI است، در حالی که مقدار β منفی نشان دهنده تنزل است.

که در آن n طول سری زمانی، sgn تابع علامت، S آماره آزمون برای آزمون من-کندال و Var(S) واریانس S است. Z نشان دهنده متغیر نرمال استاندارد است که معناداری آن در α = ۰٫۰۵ ارزیابی شده است. وقتی |Z| ≥ ۱٫۹۶ باشد، تغییر در kNDVI از نظر آماری معنادار در نظر گرفته می‌شود. این محاسبه با استفاده از MATLAB انجام شده است.

آزمون MK متوالی (UF/UB) برای تشخیص تغییرات ناگهانی و تقسیم‌بندی فاز

آزمون تغییر ناگهانی MK یک روش ناپارامتری است که به توزیع داده‌های خاص نیاز ندارد و می‌تواند به طور عینی روند کلی تغییرات را بدون تأثیرپذیری از داده‌های پرت آشکار کند. اصل اساسی، شناسایی سال‌های تغییر ناگهانی با تعیین نقاط تقاطع بین آماره دنباله رو به جلو (UF) و آماره دنباله رو به عقب (UB) است.

برای یک سری زمانی X با n مشاهده، دنباله رو به جلو به صورت زیر ساخته می‌شود:

در اینجا، r _i نشان دهنده تعداد تجمعی مقادیر xⱼ (برای ۱ < j < i) است که کوچکتر از x _i هستند . با فرض اینکه سری زمانی تصادفی و مستقل است، به صورت زیر تعریف می‌شود:

که در آن = ۰، و نشان دهنده میانگین و واریانس مجموع تجمعی Sₖ تحت فرض متغیرهای مستقل و با توزیع یکسان هستند. متغیرها x1 _، x2 _، …، _xn هستند و به صورت زیر محاسبه می‌شوند :

 آماره نرمال شده مشتق شده از سری زمانی . با استفاده از x _n ، دنباله آماری محاسبه می‌شود و در سطح معنی‌داری α، به جدول توزیع نرمال استاندارد ارجاع داده می‌شود. اگر > باشد ، سری تغییر روند معنی‌داری را نشان می‌دهد. برای سری زمانی معکوس x _n ، x _(n−۱) ، …، x _۱ ، همین رویه تکرار می‌شود، که در آن = برای k = n، n  - ۱،…۱، = ۰٫

شاخص هرست

روش هرست ^۴۳ به صورت کمی میزان وابستگی و پیوستگی در داده‌های سری زمانی بلندمدت را ارزیابی می‌کند و میزان تأثیر اطلاعات گذشته بر روندهای آینده را منعکس می‌کند. فرمول خاص به شرح زیر است:

که در آن R دامنه (انحراف شدید)، S انحراف معیار، c یک ثابت است و مشاهدات به n زیردنباله تقسیم می‌شوند که در آن i = 1,2,.,n. m هر عدد صحیح مثبتی با ۰ < m < n است، H توان هرست است و فرمول محاسبه دامنه R به شرح زیر است:

که در آن X(t) انحراف تجمعی است که به صورت زیر محاسبه می‌شود:

که در آن، ۱ < t < m؛ انحراف معیار S به صورت زیر محاسبه می‌شود:

شاخص هرست (H) از ۰ تا ۱ متغیر است و میزان پایداری یا ضدپایداری در روندهای kNDVI را نشان می‌دهد. وقتی ۰ < H < 0.5 باشد، سری ضدپایداری است، به این معنی که روندهای آینده احتمالاً در جهت مخالف روندهای گذشته خواهند بود. هرچه H به ۰ نزدیک‌تر باشد، ضدپایداری قوی‌تر است. وقتی H = 0.5 باشد، سری به صورت تصادفی و بدون روند قابل تشخیص رفتار می‌کند. وقتی ۰٫۵ < H < 1 باشد، سری پایدار است، به این معنی که روندهای آینده تمایل به پیروی از روندهای گذشته دارند. هرچه H به ۱ نزدیک‌تر باشد، پایداری قوی‌تر است ^۴۴٫ برای تجزیه و تحلیل، مقادیر H به چهار دسته طبقه‌بندی شدند: ضدپایداری قوی (< 0.35)، ضدپایداری ضعیف (۰٫۳۵-۰٫۵)، پایداری ضعیف (۰٫۵-۰٫۶۵) و پایداری قوی (> 0.65). بنابراین، مسیر آینده kNDVI را می‌توان با ترکیب شاخص هرست با جهت روند مشاهده شده مشخص کرد (جدول ۳ ).

تحلیل عوامل مؤثر بر تغییر پوشش گیاهی

تحلیل همبستگی پیرسون و آزمون معناداری

ضریب همبستگی پیرسون یک معیار آماری است که قدرت و جهت رابطه خطی بین دو متغیر را توصیف می‌کند. با استفاده از MATLAB R2023a، همبستگی‌های پیکسلی بین kNDVI و عمق آب‌های زیرزمینی (ماهانه در سال ۲۰۲۴)، بارش و دما (۲۰۰۰-۲۰۲۴) محاسبه شد. فرمول محاسبه به شرح زیر است:

در فرمول، x _i مقدار عامل تأثیرگذار در سال i است؛ میانگین ۲۵ ساله آن عامل تأثیرگذار است؛ y _i مقدار kNDVI در سال i است؛ ȳ میانگین ۲۵ ساله kNDVI است؛ n تعداد سال‌ها است؛ و r ضریب همبستگی پیرسون بین kNDVI و عامل تأثیرگذار است. مقدار r از ۱- تا ۱ متغیر است و مقدار مطلق آن به ۱ نزدیک‌تر است که نشان‌دهنده همبستگی قوی‌تر است. آزمون معناداری با استفاده از آزمون F انجام می‌شود. هنگامی که مقدار p در بازه‌های ۰.۰۵ ≤  P  ≤ ۱، ۰.۰۱ ≤  P  < ۰.۰۵ و P  < ​​۰.۰۱ قرار گیرد، همبستگی بین kNDVI و عامل تأثیرگذار به ترتیب بی‌معنی، معنادار و بسیار معنادار در نظر گرفته می‌شود.

ژئودتکتور

با توجه به شرایط منطقه مورد مطالعه و در دسترس بودن داده‌ها، عوامل کلیدی مرتبط با kNDVI – کاربری و پوشش زمین (LULC)، نیتروژن موجود (AN)، پتاسیم موجود (AK)، فسفر موجود (AP)، نیتروژن کل (TN)، پتاسیم کل (TK)، فسفر کل (TP)، ماده آلی خاک (SOM)، pH، ارتفاع (DEM)، شیب (SLOP) و پستی و بلندی (REL) – برای بررسی نیروهای محرک تکامل مکانی-زمانی kNDVI انتخاب شدند.

برای شناسایی عوامل زیربنایی الگوهای مشاهده‌شده، از تحلیل ژئودتکتور استفاده شد و قدرت توضیحی هر متغیر مستقل برای متغیر وابسته کمی‌سازی شد. برای تعیین عوامل غالب مؤثر بر تغییرات مکانی kNDVI، از یک آشکارساز تک عاملی برای ارزیابی ناهمگونی مکانی مرتبط با هر عامل استفاده شد. فرمول آن به صورت زیر است:

که در آن q نشان دهنده قدرت توضیحی kNDVI، h = 1, 2, …، L نشان دهنده لایه بندی متغیر، Nₕ و N به ترتیب اندازه نمونه کلاس h و کل منطقه، و σ ^۲ و واریانس kNDVI برای کل منطقه و برای کلاس h هستند. مقدار q از ۰ تا ۱ متغیر است که نشان دهنده درجه تمایز مکانی متغیر وابسته است. مقدار q بزرگتر نشان دهنده قدرت توضیحی قوی تر برای تغییرات kNDVI در منطقه مورد مطالعه ^{۴۵ است} .σ

مناسب بودن شاخص NDVI-kNDVI و اعتبارسنجی خارجی

مقایسه مکانی-زمانی

برای ارزیابی مناسب بودن دو شاخص برای منطقه مورد مطالعه، توزیع مکانی پوشش گیاهی برای سال‌های ۲۰۰۰، ۲۰۰۵، ۲۰۱۰، ۲۰۱۵، ۲۰۲۰ و ۲۰۲۴ سال به سال مقایسه شد (جدول  ۴ ؛ شکل  ۴ ). به طور کلی، رشد پوشش گیاهی در منطقه در ۲۵ سال گذشته در سطح نسبتاً پایینی باقی مانده است: طبق آمار kNDVI، ۸۰٫۴۹٪ از منطقه دارای مقادیر پیکسلی کمتر از ۰٫۵ بودند (شکل  ۴ )، که نشان دهنده وضعیت گسترده رشد کم است. در مقابل، آمار NDVI تنها ۱۷٫۹۶٪ از منطقه را در محدوده ۰-۰٫۱ نشان داد، که تشخیص دقیق وسعت و شدت واقعی مناطق کم رشد یا تحت تنش را دشوار می‌کند. در مقایسه با NDVI، kNDVI توزیع مقادیر پراکنده‌تر و ناهمگونی مکانی برجسته‌تری را نشان داد (جدول  ۴ )، که امکان تمایز واضح‌تر مناطق و لکه‌های کم رشد با سطوح مختلف را فراهم می‌کند و بنابراین شناسایی و توصیف مناطق با رشد پوشش گیاهی ضعیف را با حساسیت بیشتری امکان‌پذیر می‌سازد. به طور کلی، مقایسه نشان می‌دهد که kNDVI در محدوده دینامیکی، تفکیک مناطق کم رشد و بیان تفاوت‌های مکانی از NDVI بهتر عمل می‌کند و آن را برای پایش و ارزیابی وضعیت پوشش گیاهی در این منطقه مناسب‌تر می‌سازد.

برای اعتبارسنجی بیشتر مناسب بودن kNDVI در مقایسه با NDVI، چندین مکان تأیید در منطقه مورد مطالعه در ژوئن ۲۰۲۴ انتخاب شدند (شکل  ۵ ). ارتوفتوهای RGB با وضوح بالا (وضوح مکانی کمتر از ۵ سانتی‌متر) به عنوان داده‌های مرجع به دست آمدند و با داده‌های رستری NDVI و kNDVI برای مناطق مربوطه مقایسه شدند. هر مکان شامل مناطقی با پوشش گیاهی کم و خاک لخت در معرض دید بود. نتایج نشان داد که مقادیر kNDVI در مناطق با پوشش کم به ۰ نزدیک‌تر بودند و امکان شناسایی دقیق‌تر لکه‌های گیاهی با رشد ضعیف یا تحت تنش را فراهم می‌کردند، در حالی که مقادیر NDVI در همان مناطق تمایل به بالاتر بودن داشتند و تمایز ناکافی از پس‌زمینه‌های خاک لخت را نشان می‌دادند. آمار بیشتر مبتنی بر پیکسل در مکان‌های نمونه نشان داد که ضریب تغییرات مکانی (CV) kNDVI به طور مداوم بالاتر از NDVI بود که نشان‌دهنده حساسیت بیشتر به تفاوت‌های مکانی در مقیاس ریز و تطابق بهتر با تفسیر ارتوفتو است. بر اساس این مقایسه‌ها، kNDVI به عنوان شاخص اصلی وضعیت پوشش گیاهی برای تجزیه و تحلیل‌های بعدی انتخاب شد.

مبنای فصلی (زمینه فنولوژیکی)

شکل ۶ تغییرات فصلی میانگین سالانه kNDVI در مغولستان داخلی را از سال ۲۰۰۰ تا ۲۰۲۴ نشان می‌دهد. در زمستان، در شرایط سرد و خشک، پوشش گیاهی عموماً در حالت خواب است و kNDVI به پایین‌ترین مقدار خود می‌رسد. در بهار، با افزایش دما و بارندگی، kNDVI به طور پیوسته افزایش می‌یابد که نشان‌دهنده گذار پوشش گیاهی از حالت خواب به رشد فعال است. در طول تابستان، فعالیت فتوسنتزی در اوج خود است و kNDVI به حداکثر سالانه خود می‌رسد. در پاییز، با کاهش دما و پیری پوشش گیاهی، kNDVI کاهش می‌یابد. به طور کلی، منطقه مورد مطالعه ریتم فنولوژیکی واضحی را نشان می‌دهد که تابستان به عنوان فصل رشد اصلی است. تجزیه و تحلیل روند خطی مقادیر شدید فصلی نشان می‌دهد که اوج kNDVI تابستانی با نرخ ۰٫۰۰۱۲ سال به ازای ^{هر ۱ سال (} R2 = ۰٫۷۷۳) افزایش یافته است، در حالی که حداقل زمستان با نرخ ۰٫۰۰۰۲ سال به ازای ^{هر ۱} سال (R2 ⁼ ۰٫۷۷۲) افزایش یافته است. روی هم رفته، این نتایج نشان می‌دهد که سبزینگی پوشش گیاهی در هر دو فصل رویش و غیر رویش روند افزایشی نشان داده است و این افزایش در طول فصل رویش بارزتر بوده است.

بزرگی روند، اهمیت و تقسیم‌بندی جهش

تشخیص نقطه تغییر و تعیین مرحله با روش من-کندال متوالی (MK)

بر اساس آزمون نقطه تغییر متوالی MK، سال‌های ۲۰۰۸ و ۲۰۱۶ به عنوان نقاط شکست قابل توجه در kNDVI مغولستان داخلی شناسایی شدند (شکل  ۷ الف): آمار پیشرو (UF) و پسرو (UB) در آن سال‌ها با هم تلاقی می‌کنند و در محدوده بحرانی ± ۱٫۹۶ قرار می‌گیرند که معیار α = ۰٫۰۵ را برآورده می‌کند. بر این اساس، رکورد به سال‌های ۲۰۰۰-۲۰۰۸، ۲۰۰۸-۲۰۱۶ و ۲۰۱۶-۲۰۲۴ تقسیم شد. سری‌های بین سالانه (شکل  ۷ ب) نشان می‌دهد که سال‌های ۲۰۰۰-۲۰۰۸ با نوسانات دامنه کوچک با افزایش ملایم مشخص می‌شود، زیرا میانگین kNDVI از ۰٫۲۱۶ به ۰٫۲۶۱ (شیب + ۰٫۰۰۵۶ سال ^-۱ ) افزایش یافته است. در طول سال‌های ۲۰۰۸ تا ۲۰۱۶، تغییرپذیری با معکوس شدن مرحله‌ای تشدید شد: افزایش کلی در سال‌های ۲۰۰۹ تا ۲۰۱۲ (+۰.۰۱۹۳ سال ^-۱ ) با کاهش در سال‌های ۲۰۰۹ تا ۲۰۱۰ (-۰.۰۴۳ سال ^-۱ ) و ۲۰۱۲ تا ۲۰۱۶ (-۰.۰۰۸۵ سال ^-۱ ) همراه بود که نشان‌دهنده یک روند بسیار آشفته و ناپایدار است. از سال ۲۰۱۶ تا ۲۰۲۴، مسیر به رشد بازگشت، به طوری که میانگین kNDVI از ۰.۲۴۳ به ۰.۳۰۰ در +۰.۰۰۷۱ سال ^-۱ افزایش یافت و از مرحله اول فراتر رفت. به طور کلی، شکست‌های ساختاری در سال‌های ۲۰۰۸ و ۲۰۱۶، تکامل «افزایش آهسته → نوسانات زیاد → افزایش تثبیت‌شده» را نشان می‌دهند. افزایش اخیر در فصل رشد بارزتر است، در حالی که فصل غیر رشد نیز افزایش اندکی را نشان می‌دهد.

با استفاده از روش طبقه‌بندی Natural Breaks (Jenks)، حداکثر سطوح سالانه kNDVI در منطقه مورد مطالعه به پنج سطح پوشش گیاهی طبقه‌بندی شدند: کم (۰-۰٫۰۹)، کم-متوسط ​​(۰٫۰۹-۰٫۲۲)، متوسط ​​(۰٫۲۲-۰٫۳۶)، متوسط-زیاد (۰٫۳۶-۰٫۵۲) و زیاد (۰٫۵۲-۰٫۶۲) (شکل  ۸ ). به طور کلی، رشد پوشش گیاهی نسبتاً ضعیف است و الگوی “در شرق بیشتر، در غرب کمتر” را نشان می‌دهد: منطقه شرقی (هولونبویر، هینگان لیگ، تونگلیائو و چیفنگ) تحت سلطه جنگل‌ها و مراتع معمولی با kNDVI عمدتاً متوسط-زیاد تا زیاد است، در حالی که منطقه غربی (آلکسا لیگ، اردوس و بایانور) با بیابان و استپ بیابانی با سطوح عمدتاً کم تا کم-متوسط ​​مشخص می‌شود. این تمایز مکانی با کاهش بارندگی از شمال شرقی به جنوب غربی در سراسر منطقه همسو است. بر اساس دوره زمانی، دوره ۲۰۰۰-۲۰۰۸ بیشترین سهم از مناطق کم‌پوشش (۳۸.۸۱٪) را داشت؛ در طول دوره ۲۰۰۸-۲۰۱۶، شرایط پوشش گیاهی نسبت به مرحله اول بهبود یافت و میانگین kNDVI به ۰.۳۴۲۲ رسید؛ در دوره ۲۰۱۶-۲۰۲۴، الگوی کلی ادامه یافت و میانگین آن کمی بیشتر افزایش یافت و به ۰.۳۴۷۱ رسید که نشان‌دهنده افزایش اندک در طول مرحله دوم است.

ارزیابی روند تمام دوره و قطعه‌بندی شده با تیل-سن + مان-کندال (TS + MK)

از سال ۲۰۰۰ تا ۲۰۲۴، kNDVI در مغولستان داخلی روند صعودی تدریجی را نشان می‌دهد که بیشترین افزایش در جنوب شرقی و جنوب غربی است (شکل  ۹ ). پس از تقسیم‌بندی رکورد به سه مرحله از طریق آزمون نقطه تغییر MK (جدول  ۵ )، متوجه می‌شویم: در طول سال‌های ۲۰۰۰ تا ۲۰۰۸، مناطقی با افزایش پوشش گیاهی قابل توجه، ۱۱.۶۹٪ را به خود اختصاص دادند؛ در طول سال‌های ۲۰۰۸ تا ۲۰۱۶، سبز شدن کاهش یافت و سهم افزایش پوشش گیاهی قابل توجه به ۸.۲۷٪ کاهش یافت، در حالی که ۳۳.۸۹٪ از منطقه تخریب جزئی را تجربه کردند؛ در طول سال‌های ۲۰۱۶ تا ۲۰۲۴، ۱۱.۹۶٪ از منطقه افزایش پوشش گیاهی قابل توجهی را تجربه کردند و حدود ۴.۸٪ از منطقه تخریب قابل توجه در جنوب غربی پدیدار شد. با وجود تخریب موضعی در مرحله سوم، تعادل کل دوره به سمت بهبود است، بهبود تجمعی حدود ۴۷.۵۲٪ از منطقه را پوشش می‌دهد که نشان دهنده سبز شدن کلی مغولستان داخلی در قرن بیست و یکم است.

تداوم روند و جهت آینده: ارزیابی مشترک تیل-سن × هرست

بر اساس ارزیابی توان هرست از پایداری kNDVI (شکل  ۱۰ الف)، بیشتر مناطق مغولستان داخلی دارای مقاومت به پایداری (H < 0.5) هستند که ۸۳٫۴۴٪ از منطقه را تشکیل می‌دهد. این نشان می‌دهد که مسیر فعلی پوشش گیاهی احتمالاً در تعداد زیادی از مناطق به جای ادامه در همان جهت، معکوس خواهد شد. مناطق کم H عمدتاً در امتداد کمربند مرزی توزیع شده‌اند که نشان‌دهنده تغییرپذیری بالای سالانه و حساسیت شدید به اختلالات آب و هوایی خارجی یا انسانی است. در مقابل، مناطق پایدار (H > 0.5) که تنها ۱۶٫۵۶٪ را پوشش می‌دهند، عمدتاً در جنوب چیفنگ، جنوب لیگ گل زیلین و بخش‌هایی از لیگ آلکسا متمرکز شده‌اند که نشان‌دهنده “اثر حافظه” قوی‌تر و پوشش گیاهی نسبتاً پایدار و خودکفا در این مناطق است.

برای شناسایی بیشتر مسیرهای تغییر پوشش گیاهی در آینده، ما علامت روند (تخمین‌گر Theil-Sen و آزمون MK) را با شاخص پایداری مبتنی بر Hurst ترکیب کردیم تا هر پیکسل را به پنج نوع طبقه‌بندی کنیم (شکل  ۱۰ ب). نتایج نشان می‌دهد که بهبود مستمر تنها ۸٫۸۲٪ از منطقه را شامل می‌شود که عمدتاً در هولونبویر، هینگگان لیگ و تونگلیائو توزیع شده است و به خوبی با تلاش‌های احیای بلندمدت و حفاظت از خاک و آب مطابقت دارد. مناطق تخریب مستمر (۱۰٫۶۵٪) در لیگ Alxa خوشه‌بندی شده‌اند که نشان‌دهنده کمبود آب پایدار و فشار بالای آشفتگی است. اکثر منطقه (۸۰٫۵۴٪) در دسته اساساً بدون تغییر قرار می‌گیرد که نشان‌دهنده الگوی کلی پایداری کوتاه‌مدت است، اگرچه موزاییک‌های بهبود-تخریب موضعی همچنان پابرجا هستند. این الگوهای مکانی نشان می‌دهند که بهبود در کمربند جنگلی-استپی مرطوب شمال شرقی محتمل‌تر است، در حالی که تخریب مداوم در مناطق خشک غربی که محدودیت‌های اقلیمی و هیدرولوژیکی همچنان قوی هستند، رخ می‌دهد.

محرک‌های چند عاملی و ناهمگونی فضایی

کنترل آب و هوا

تحلیل‌های همبستگی پیرسون پیکسلی بین kNDVI و سه متغیر محیطی در سراسر مغولستان داخلی انجام شد (شکل  ۱۱ ). نتایج نشان می‌دهد که kNDVI عمدتاً با عمق آب‌های زیرزمینی همبستگی مثبت دارد و ۶۴٫۶۲٪ از منطقه را پوشش می‌دهد، اما نسبت پیکسل‌های معنی‌دار نسبتاً کم است (۲٫۹۳٪ در p  < 0.01 و ۶٫۳۴٪ در p  < 0.05). همبستگی‌های مثبت با بارندگی حتی گسترده‌تر هستند (۹۰٫۱۲٪)، از جمله ۲۸٫۶۸٪ مناطق بسیار معنی‌دار و ۲۰٫۵۴٪ مناطق معنی‌دار، در حالی که روابط منفی فقط به صورت محلی در شمال شرقی و جنوب غربی یافت می‌شوند. همبستگی‌ها با دما عمدتاً مثبت هستند (۵۴٫۷۳٪)، اما نسبت پیکسل‌های معنی‌دار نسبتاً کم است (۰٫۲۶٪ در p  < 0.01 و ۱٫۶۰٪ در p  < 0.05) و از نظر مکانی محدود به شمال شرقی، جنوب شرقی و جنوب غربی است.

با در نظر گرفتن ضرایب همبستگی و سطوح معنی‌داری، قدرت ارتباط با kNDVI از این ترتیب پیروی می‌کند: عمق آب‌های زیرزمینی (۰٫۹۷- تا ۰٫۹۵) > بارندگی (۰٫۸۵- تا ۰٫۹۴) > دما (۰٫۸۴- تا ۰٫۸۲). این نشان می‌دهد که دسترسی به آب‌های زیرزمینی قوی‌ترین محدودیت را بر رشد پوشش گیاهی در سراسر مغولستان داخلی اعمال می‌کند و پس از آن ورودی‌های بارندگی قرار دارند، در حالی که دما نقش نسبتاً ضعیف‌تری ایفا می‌کند. به طور کلی، دسترسی به آب – که به طور مشترک توسط آب‌های زیرزمینی و بارندگی کنترل می‌شود – عامل اصلی ناهمگونی مکانی پوشش گیاهی و تغییرپذیری بین سالانه در این منطقه خشک است.

رتبه‌بندی قدرت توضیحی عوامل خاک-توپوگرافی-کاربری و بهره‌برداری از زمین

نتایج ژئودتکتور نشان می‌دهد که مقدار q بالاتر، قدرت توضیحی تک عاملی قوی‌تری را نشان می‌دهد. در میان تمام متغیرهای مورد بررسی، نیتروژن کل (TN) بالاترین قدرت توضیحی را نشان می‌دهد (q = 0.41؛ شکل  ۱۲ ) و مناطقی با TN بالاتر عموماً با شادابی بیشتر پوشش گیاهی مرتبط هستند. ماده آلی خاک (SOM)، pH و فسفر قابل دسترس (AP) نیز سهم قابل توجهی را نشان می‌دهند و تأیید می‌کنند که SOM و AP بالاتر و مقادیر pH پایین‌تر (به شکل‌های  ۱۳ و ۴ مراجعه کنید) تمایل به رشد پوشش گیاهی دارند. نیتروژن موجود (AN)، ارتفاع (DEM)، پتاسیم کل (TK)، کاربری/پوشش زمین (LULC) و فسفر کل (TP) قدرت توضیحی متوسطی دارند که نشان می‌دهد ویژگی‌های زمین، کاربری زمین توسط انسان و سطوح مواد مغذی انتخاب شده به عنوان تعدیل‌کننده‌های مهم الگوهای مکانی پوشش گیاهی عمل می‌کنند. در مقابل، پتاسیم موجود (AK)، پستی و بلندی‌های محلی و شیب کمترین سهم را دارند و تنها تأثیر حاشیه‌ای دارند. به طور کلی، ناهمگونی مکانی در رشد پوشش گیاهی در سراسر مغولستان داخلی عمدتاً توسط شرایط مواد مغذی خاک – به ویژه TN، SOM و AP – کنترل می‌شود، در حالی که کاربری زمین و توپوگرافی به عنوان محدودیت‌های پس‌زمینه‌ای عمل می‌کنند که بیان منطقه‌ای این اثرات مواد مغذی را شکل می‌دهند.

ویژگی‌های مکانی و زمانی kNDVI

این مطالعه به طور سیستماتیک پویایی مکانی-زمانی kNDVI را در مغولستان داخلی از سال ۲۰۰۰ تا ۲۰۲۴ ارزیابی کرد و بر مزایای آن در اکوسیستم‌های خشک و نیمه‌خشک در مقایسه با NDVI سنتی تأکید کرد. برخلاف سایر مطالعاتی که برای نظارت بر تغییرات پوشش گیاهی به NDVI متکی هستند، kNDVI سری‌های زمانی NDVI را با استفاده از تخمین چگالی هسته هموار می‌کند و بنابراین حساسیت آن را به تغییرات واقعی پوشش گیاهی تحت شرایط پیکسل مختلط افزایش می‌دهد ^{۴۶ ، ۴۷ ، ۴۸٫} در مناطقی که با پوشش گیاهی کم و اکوتون‌های انتقالی (مانند اکوتون‌های کشاورزی-دامداری و استپ‌های بیابانی) مشخص می‌شوند، مطالعه حاضر نشان داد که kNDVI به طور مؤثرتری تغییرپذیری بین سالانه را ثبت می‌کند و از اثر “تقویت نویز” NDVI جلوگیری می‌کند. با تنظیم مقدار σ تابع هسته، kNDVI ظرفیت کشش بالاتری برای مقادیر شدید در سری‌های زمانی نشان می‌دهد و امکان شناسایی پاسخ‌های پوشش گیاهی در مقیاس کوچک را در شرایط آب و هوایی شدید فراهم می‌کند ^۱۲ . نکته مهم این است که ما نشان دادیم kNDVI در مناطقی با رشد گیاهی ضعیف، حساسیت دینامیکی بالایی را حفظ می‌کند، که با افزایش پاسخگویی آن به فعالیت‌های فتوسنتزی سازگار است ^{۴۹ ، ۵۰ ، ۵۱ ، ۵۲٫} علاوه بر این، kNDVI پاسخ‌های پایدار و ثابتی را در انواع مختلف کاربری زمین (استپ بیابانی، استپ معمولی و جنگل) نشان داد، که نشان‌دهنده استحکام بالای شاخص است ^۵۳٫ با ادغام مشاهدات میدانی ما با تجزیه و تحلیل زمانی، kNDVI به وضوح پتانسیل خود را برای تشخیص تغییرات ظریف در مراحل اولیه بازیابی پوشش گیاهی نشان می‌دهد و بنابراین ابزاری ارزشمند برای ارزیابی احیای اکوسیستم در مغولستان داخلی است.

با اعمال این شاخص بهبود یافته، تحلیل ما از مغولستان داخلی از سال ۲۰۰۰ تا ۲۰۲۴ روند افزایشی کلی در kNDVI را نشان داد (شکل ۷ ب)، که نشان‌دهنده بهبود کلی اکوسیستم پوشش گیاهی منطقه‌ای ناشی از مهندسی اکولوژیکی بلندمدت و فرآیندهای بازیابی طبیعی است ^۵۴٫ با این حال، یک تغییر رژیم قابل توجه در حدود سال ۲۰۰۸ مشاهده شد که پس از آن یک دوره کوتاه کاهش و سپس بهبودی بعدی رخ داد. این الگو نشان می‌دهد که اثرات مثبت مهندسی اکولوژیکی در مرحله اولیه با اختلالات شدید انسانی مانند گسترش کشاورزی و فعالیت‌های معدنی جبران شده است ^{۵۵ ، ۵۶٫} در مقیاس مکانی، kNDVI یک شیب واضح از شرق به غرب را نشان داد، با مقادیر بالاتر در منطقه استپی جنگلی در شرق و مقادیر پایین‌تر در مناطق بیابانی و استپی بیابانی غرب. این ناهمگونی مکانی ناشی از تفاوت‌های منطقه‌ای در آب و هوا، خواص خاک و توپوگرافی است. از سال ۲۰۰۸ تا ۲۰۱۶، کاهش مداوم در بائوتو و سیزیوانگ بنر مشاهده شد که نشان‌دهنده یک مورد معمول از اثرات ترکیبی اجرای سیاست، خشکسالی و چرای بیش از حد دام است ^{۵۷ ، ۵۸ ، ۵۹.} شایان ذکر است که پس از سال ۲۰۱۶، kNDVI در لیگ آلکسا (منطقه غربی) به شدت کاهش یافت و نتایج پیش‌بینی این مطالعه نشان‌دهنده روند تخریب بیشتر در آینده نزدیک است ^۶۰. این نشان می‌دهد که بازیابی پوشش گیاهی ممکن است پس از همزیستی کمبود بارندگی و تخلیه آب‌های زیرزمینی از یک آستانه بحرانی عبور کند. در نتیجه، مناطقی که علائم اولیه بهبود معکوس پوشش گیاهی را نشان می‌دهند، برای جلوگیری از گذار به سمت تخریب برگشت‌ناپذیر، نیاز به نظارت مداوم و تأیید میدانی دارند ^{۶۱ ، ۶۲ ، ۶۳} .

پیامدهای سیاستی

افزایش kNDVI بین سال‌های ۲۰۰۰ تا ۲۰۲۴ نشان دهنده اثرات ترکیبی شرایط طبیعی و مداخلات سیاست‌محور است. در مناطق خشک و نیمه‌خشک، دسترسی به آب‌های زیرزمینی یک عامل حیاتی برای حفظ رشد پوشش گیاهی است ^۶۴. در مناطق بیابانی و شنی مغولستان داخلی، همبستگی منفی قابل توجه بین عمق آب‌های زیرزمینی و kNDVI نشان می‌دهد که کاهش سطح آب‌های زیرزمینی، تنش آبی را تشدید کرده و مانع از بازیابی پوشش گیاهی می‌شود. برعکس، رابطه مثبت مشاهده شده در مراتع هولونبویر نشان می‌دهد که گونه‌های ریشه‌دار عمیق می‌توانند به طور مؤثر از منابع آب‌های زیرزمینی عمیق‌تر استفاده کنند ^۶۵ ، که بر اهمیت حفظ آب‌های زیرزمینی به عنوان بخشی از طرح‌های احیا تأکید می‌کند.

از دیدگاه اقلیمی، بارش عامل اصلی تغییر پوشش گیاهی در مراتع و مناطق زراعی است، در حالی که دما در مناطق جنگلی تأثیر بیشتری دارد ^(۶۶) . با این حال، افزایش فراوانی رویدادهای شدید مانند موج گرما و خشکسالی، فشار بیشتری بر پوشش گیاهی، به ویژه در بخش غربی منطقه که kNDVI کاهش سریع و بهبود آهسته پس از رویداد را نشان می‌دهد ^{(۶۷ ، ۶۸)} . این الگوها بر لزوم گنجاندن ریسک آب و هوا در مدیریت اکولوژیکی منطقه‌ای و افزایش تاب‌آوری در برابر رویدادهای شدید تأکید می‌کنند. در عین حال، کیفیت خاک و ویژگی‌های توپوگرافی با تنظیم حفظ آب خاک، تأمین مواد مغذی و تعادل انرژی، اثرات غیرمستقیم اما مهمی را اعمال می‌کنند و در نتیجه به ناهمگونی مکانی پاسخ‌های پوشش گیاهی کمک می‌کنند ^{(۶۹ ، ۷۰)} . نکته مهم این است که سیاست‌های استفاده از زمین مانند احیای جنگل و حذف چراگاه به وضوح بهبود پوشش گیاهی را ارتقا داده‌اند، در حالی که مناطقی که در معرض استفاده فشرده مداوم هستند، بهبود kNDVI ضعیف‌تری را نشان می‌دهند. این امر تأیید می‌کند که مداخلات سیاستی نقش تعیین‌کننده‌ای در تنظیم پویایی پوشش گیاهی دارند و احیای مؤثر در مناطق خشک باید مدیریت هیدرولوژیکی (مثلاً حفاظت از آب‌های زیرزمینی)، اقدامات سازگاری با آب و هوا و برنامه‌ریزی پایدار استفاده از زمین را در بر گیرد.

محدودیت‌ها و چشم‌اندازهای آینده

اگرچه این مطالعه اثربخشی kNDVI را برای پایش پوشش گیاهی نشان می‌دهد و الگوهای مکانی واضحی از بهبود و تخریب در سراسر مغولستان داخلی را آشکار می‌کند، اما باید به چندین محدودیت نیز توجه داشت. استفاده از تصاویر لندست ۳۰ متری برای تحلیل‌های منطقه‌ای مناسب است، اما ممکن است تغییرات در مقیاس قطعه زمین را نادیده بگیرد، به ویژه در زمین‌های بسیار ناهمگن که تخریب موضعی یا فرآیندهای بازیابی در مراحل اولیه ممکن است مبهم باشند. بنابراین، ادغام محصولات سنجش از دور با وضوح بالاتر (مانند Sentinel، GF، PlanetScope) و اتخاذ تکنیک‌های ترکیب داده‌های چند مقیاسی، حساسیت مکانی پایش پوشش گیاهی را بهبود می‌بخشد ^۷۱ .

علاوه بر این، از آنجایی که انواع کاربری زمین قابل اندازه‌گیری نیستند و عوامل توپوگرافی و خواص شیمیایی خاک داده‌های تک‌ساله هستند، روش همبستگی پیکسلی نمی‌تواند برای به دست آوردن همبستگی مکانی آنها با kNDVI استفاده شود. بنابراین، از آشکارسازهای زمین برای به دست آوردن تأثیر آنها بر kNDVI استفاده می‌شود. پویایی پوشش گیاهی در سیستم‌های مناطق خشک نه تنها تحت تأثیر شرایط آب و هوایی و آب‌های زیرزمینی، بلکه تحت تأثیر فرآیندهای اکولوژیکی مانند تبخیر و تعرق، رواناب سطحی و فرسایش بادی نیز قرار دارد . ^۷۲٫ این فرآیندهای پویا به صراحت در تحلیل حاضر گنجانده نشده‌اند و ممکن است محرک‌های مهمی در واحدهای ژئومورفیک خاص باشند. گنجاندن مدل‌های فرآیند سطحی و رویکردهای پیشرفته یادگیری ماشین به ثبت این تعاملات کمک می‌کند و امکان انتساب جامع‌تر تغییرات پوشش گیاهی را فراهم می‌کند و در نهایت ظرفیت پیش‌بینی و ارتباط مدیریتی مطالعات آینده را بهبود می‌بخشد.

بر اساس شاخص kNDVI، این مطالعه ارزیابی جامعی از پویایی پوشش گیاهی و عوامل مؤثر بر آن در سراسر مغولستان داخلی از سال ۲۰۰۰ تا ۲۰۲۴ ارائه داد. در مقایسه با NDVI سنتی، شاخص kNDVI حساسیت بسیار بالاتری در تشخیص تغییرات ظریف پوشش گیاهی، به ویژه در مناطق کم پوشش و از نظر اکولوژیکی شکننده، نشان داد. این ویژگی به ویژه برای نظارت بر بازیابی اکوسیستم در مراحل اولیه در مناطق خشک و نیمه خشک اهمیت دارد. تجزیه و تحلیل زمانی، بهبود کلی در رشد پوشش گیاهی را در ۲۵ سال گذشته نشان داد، اما این بهبود به شیوه‌ای کاملاً وابسته به مرحله رخ داده است. تغییر ناگهانی در حدود سال ۲۰۰۸ نشان دهنده وجود آستانه‌های بحرانی است و آسیب‌پذیری بازیابی پوشش گیاهی را در برابر اختلالات انسانی برجسته می‌کند. از دیدگاه مکانی، احیای پوشش گیاهی در بخش شرقی منطقه بیشترین نمود را داشت، در حالی که بیابان غربی و بخش‌هایی از منطقه مرکزی-شرقی هنوز تخریب قابل توجهی را نشان می‌دهند و در معرض خطر کاهش مداوم هستند. تجزیه و تحلیل عامل محرک همچنین نشان می‌دهد که برخلاف کنترل‌های دما و بارش که اغلب مورد تأکید قرار می‌گیرند، عمق آب‌های زیرزمینی بیشترین تأثیر را بر پویایی پوشش گیاهی در مغولستان داخلی دارد. این تأثیر به ویژه در اکوسیستم‌های بیابانی و شنی مشهود است، جایی که افت سطح آب‌های زیرزمینی به طور قابل توجهی تنش آبی را تشدید می‌کند. علاوه بر این، نتایج همبستگی پیرسون و ژئودتکتور نشان می‌دهد که شرایط مواد مغذی خاک – به ویژه نیتروژن کل – نقش تعیین‌کننده‌ای در شکل‌دهی الگوی مکانی رشد پوشش گیاهی دارد. این یافته‌ها نشان می‌دهد که احیای موفقیت‌آمیز اکوسیستم در مناطق خشک نیازمند یک دیدگاه یکپارچه است که به طور همزمان اتصال پوشش گیاهی-آب‌های زیرزمینی و بهبود کیفیت خاک را در نظر بگیرد، نه اینکه صرفاً بر افزایش بارندگی یا اقدامات جنگل‌کاری/بسته شدن جنگل‌ها تکیه کند.