مشاوره رایگان
فیس بوکتوئیتراینستاگراماسکایپ
کپی رایت 2024

حساسیت های واگرا فلورسانس کلروفیل ناشی از خورشید در فضا به خشکسالی در فصول و مناطق مختلف

مقالات حساسیت های واگرا فلورسانس کلروفیل ناشی از خورشید در فضا به خشکسالی در فصول و مناطق مختلف

خلاصه

به عنوان یک شکل ماهواره ای جدید در حال ظهور، فلورسانس کلروفیل ناشی از خورشید (SIF) اندازه گیری مستقیم فعالیت فتوسنتزی را فراهم می کند. پتانسیل SIF برای ارزیابی خشکسالی در اکوسیستم های مرتع مختلف هنوز مشخص نیست. در این مطالعه، همبستگی بین SIF فضایی و نه شاخص خشکسالی مورد بررسی قرار گرفت. شاخص استاندارد شده تبخیر و تعرق بارش (SPEI) در مقیاس ۱، ۳، ۶، ۹، ۱۲ ماهه، شاخص شدت خشکسالی پالمر (PDSI)، رطوبت خاک، شاخص وضعیت دما (TCI) و کمبود فشار بخار (VPD) مورد ارزیابی قرار گرفت. روابط بین انواع مختلف مرتع و فصول مختلف مقایسه شد و نیروهای محرک مؤثر بر حساسیت SIF به خشکسالی مورد بررسی قرار گرفت. ما دریافتیم که همبستگی بین شاخص‌های SIF و خشکسالی برای علفزارهای معتدل و مراتع آلپ متفاوت است. ضرایب همبستگی بین SIF و رطوبت خاک بالاترین بود (میانگین برای علفزارهای معتدل ۰٫۷۲ و برای مراتع آلپ ۰٫۶۹) و به دنبال آن SPEI و PDSI در مقیاس سه ماهه و ضریب همبستگی بین SIF و TCI کمترین بود. میانگین مقدار ۰٫۳۸ برای هر دو مرتع معتدل و کوهستانی بود. SIF فضایی برای پایش خشکسالی در دوره اوج فصل رشد (ژوئیه و آگوست) موثرتر است. دما و تشعشع عوامل مهمی هستند که بر حساسیت SIF به خشکی تأثیر می گذارند. نتایج حاصل از این مطالعه اهمیت SIF را در پایش خشکسالی به ویژه برای مراتع معتدل در فصل اوج رشد نشان داد. ضرایب همبستگی بین SIF و رطوبت خاک بالاترین بود (میانگین برای علفزارهای معتدل ۰٫۷۲ و برای مراتع آلپ ۰٫۶۹) و به دنبال آن SPEI و PDSI در مقیاس سه ماهه و ضریب همبستگی بین SIF و TCI کمترین بود. میانگین مقدار ۰٫۳۸ برای هر دو مرتع معتدل و کوهستانی بود. SIF فضایی برای پایش خشکسالی در دوره اوج فصل رشد (ژوئیه و آگوست) موثرتر است. دما و تشعشع عوامل مهمی هستند که بر حساسیت SIF به خشکی تأثیر می گذارند. نتایج حاصل از این مطالعه اهمیت SIF را در پایش خشکسالی به ویژه برای مراتع معتدل در فصل اوج رشد نشان داد. ضرایب همبستگی بین SIF و رطوبت خاک بالاترین بود (میانگین برای علفزارهای معتدل ۰٫۷۲ و برای مراتع آلپ ۰٫۶۹) و به دنبال آن SPEI و PDSI در مقیاس سه ماهه و ضریب همبستگی بین SIF و TCI کمترین بود. میانگین مقدار ۰٫۳۸ برای هر دو مرتع معتدل و کوهستانی بود. SIF فضایی برای پایش خشکسالی در دوره اوج فصل رشد (ژوئیه و آگوست) موثرتر است. دما و تشعشع عوامل مهمی هستند که بر حساسیت SIF به خشکی تأثیر می گذارند. نتایج حاصل از این مطالعه اهمیت SIF را در پایش خشکسالی به ویژه برای مراتع معتدل در فصل اوج رشد نشان داد. به دنبال آن SPEI و PDSI در مقیاس سه ماهه قرار گرفتند و ضریب همبستگی بین SIF و TCI کمترین بود (میانگین مقدار ۰٫۳۸ برای هر دو مرتع معتدل و کوهستانی بود). SIF فضایی برای پایش خشکسالی در دوره اوج فصل رشد (ژوئیه و آگوست) موثرتر است. دما و تشعشع عوامل مهمی هستند که بر حساسیت SIF به خشکی تأثیر می گذارند. نتایج حاصل از این مطالعه اهمیت SIF را در پایش خشکسالی به ویژه برای مراتع معتدل در فصل اوج رشد نشان داد. به دنبال آن SPEI و PDSI در مقیاس سه ماهه قرار گرفتند و ضریب همبستگی بین SIF و TCI کمترین بود (میانگین مقدار ۰٫۳۸ برای هر دو مرتع معتدل و کوهستانی بود). SIF فضایی برای پایش خشکسالی در دوره اوج فصل رشد (ژوئیه و آگوست) موثرتر است. دما و تشعشع عوامل مهمی هستند که بر حساسیت SIF به خشکی تأثیر می گذارند. نتایج حاصل از این مطالعه اهمیت SIF را در پایش خشکسالی به ویژه برای مراتع معتدل در فصل اوج رشد نشان داد. دما و تشعشع عوامل مهمی هستند که بر حساسیت SIF به خشکی تأثیر می گذارند. نتایج حاصل از این مطالعه اهمیت SIF را در پایش خشکسالی به ویژه برای مراتع معتدل در فصل اوج رشد نشان داد. دما و تشعشع عوامل مهمی هستند که بر حساسیت SIF به خشکی تأثیر می گذارند. نتایج حاصل از این مطالعه اهمیت SIF را در پایش خشکسالی به ویژه برای مراتع معتدل در فصل اوج رشد نشان داد.

کلید واژه ها:

فلورسانس ناشی از خورشید ؛ خشکسالی ; علفزار معتدل و آلپ

۱٫ معرفی

خشکسالی بر عملکرد اکوسیستم زمینی و بودجه کربن تأثیر می گذارد [ ۱ ]. چندین مطالعه تأثیر منفی خشکسالی را بر دسترسی به آب های زیرزمینی [ ۲ ، ۳ ]، تولید کشاورزی و امنیت غذایی [ ۴ ، ۵ ]، تولید اولیه خالص اکوسیستم [ ۶ ] و وضعیت اجتماعی-اقتصادی [ ۷ ] برجسته کرده اند. پیش بینی می شود که این تأثیرات تحت شرایط آب و هوایی در حال تغییر و آینده تشدید شود [ ۸ ]. بنابراین، درک و پایش رفتار این پدیده به منظور برنامه ریزی دقیق برای راهبردهای سازگاری و کاهش اهمیت دارد.
خشکسالی می تواند بر فتوسنتز پوشش گیاهی در هر دو مسیر فیزیکی (یعنی سبزی پوشش گیاهی) و فیزیولوژیکی (یعنی پاسخ روزنه ای) تأثیر بگذارد، که از نظر مقیاس زمانی و فرآیند درگیر متفاوت است [ ۹ ]. تأثیر خشکسالی بر سبزی پوشش گیاهی را می توان با شاخص های پوشش گیاهی (VIs) منعکس کرد. تغییر در سبزی پوشش گیاهی باعث کاهش تابش فعال فتوسنتزی جذب شده (APAR) می شود که ممکن است در مقیاس زمانی روزها تأثیر بگذارد. با این حال، عملکردهای فیزیولوژیکی تحت تأثیر خشکسالی می تواند در مقیاس زمانی از ساعت ها تا روزها رخ دهد. در طول دهه‌های گذشته، VIهای سنتی، مانند شاخص گیاهی تفاوت نرمال شده (NDVI)، به طور گسترده برای پایش خشکسالی استفاده می‌شد [ ۱۰ ، ۱۱ ، ۱۲ ،۱۳ ]. با این حال، برای VIهای سنتی دشوار است که واکنش دقیق یک اکوسیستم به خشکسالی را نشان دهند. دلیل این امر این است که آنها قادر به نشان دادن توانایی بالقوه فتوسنتزی به جای شرایط واقعی هستند. علاوه بر این، برخی از VIها شناسایی شده‌اند که واکنش تاخیری به خشکسالی را نشان می‌دهند [ ۱۴ ، ۱۵ ، ۱۶ ، ۱۷ ، ۱۸ ، ۱۹ ، ۲۰ ].
در طول فرآیند فتوسنتز، حدود ۱-۲٪ از انرژی جذب شده توسط کلروفیل در طول موج های طولانی تر به عنوان فلورسانس منتشر می شود که به آن فلورسانس کلروفیل ناشی از خورشید (SIF) می گویند [ ۱۴ ، ۲۱ ]. پاسخ‌های فیزیکی و فیزیولوژیکی گیاهان به خشکی را می‌توان در SIF منعکس کرد و میزان فلورسانس منعکس‌شده را کاهش داد [ ۲۱ ]. بنابراین، SIF روش جدیدی برای تخمین فعالیت فتوسنتز ارائه می دهد و نسبت به VIs رابطه نزدیک تری با فرآیند فتوسنتز دارد.
نقش مهم عوامل هواشناسی، مانند بارش [ ۲۲ ]، دما [ ۲۳ ] و تبخیر و تعرق [ ۲۴ ، ۲۵ ]، در تجزیه و تحلیل خشکسالی به خوبی در ادبیات ثابت شده است. بر این اساس، چندین شاخص برای محاسبه زمان و میزان وقوع خشکسالی ایجاد شده است. به عنوان مثال، شاخص استاندارد شده تبخیر و تعرق بارش (SPEI) [ ۲۶ ]، شاخص شدت خشکسالی پالمر (PDSI) [ ۲۷ ] و شاخص وضعیت دما (TCI) [ ۲۸ ]. با این حال، رابطه بین این شاخص ها و SIF با توجه به وابستگی آن به نوع پوشش گیاهی و آب و هوای منطقه نامشخص باقی مانده است.
در سال های اخیر، SIF به عنوان یک رویکرد جدید برای تخمین فتوسنتز مورد بررسی قرار گرفته است، که ارتباط نزدیکی با تولید اولیه ناخالص (GPP) دارد و می تواند به سرعت به خشکسالی پاسخ دهد [ ۲۹ ، ۳۰ ، ۳۱ ]. چندین مطالعه نشان داد که SIF زودتر از VIs به کمبود آب پاسخ می دهد، و SIF نیز حساسیت بیشتری نسبت به خشکسالی نسبت به VIs نشان داد [ ۱۵ ، ۲۹ ، ۳۱ ، ۳۲ ، ۳۳ ]. نی و همکاران (۲۰۱۸) حساسیت SIF، GPP، NDVI و دمای سطح زمین (LST) را به خشکی مقایسه کرد. نتایج نشان داد که SIF بسیار حساس است و نسبت به GPP، NDVI و دمای سطح زمین (LST) در شرایط خشکسالی پاسخ‌های زودتر دارد.۳۴ ]. چن و همکاران (۲۰۱۹) توانایی SIF ماهواره‌ای را در ارزیابی خشکسالی بررسی کرد و دریافت که میانگین SIF منطقه‌ای بیش از NDVI و شاخص آب سطح زمین (LSWI) کاهش یافته است. آنها همچنین دریافتند که رابطه بین GPP و SIF بیشتر از رابطه بین GPP و NDVI است [ ۳۵ ]. وانگ و همکاران (۲۰۱۹) نشان داد که SIF می تواند الگوی مکانی-زمانی فرآیند خشکسالی را به تصویر بکشد و SIF کاهش قابل توجهی و پاسخ زودتر نسبت به EVI را نشان داد [ ۱۹ ].
مطالعات قبلی امکان سنجی SIF ماهواره ای را در پایش خشکسالی گزارش کرده اند. با این حال، مطالعات قبلی بیشتر SIF مربوط به خشکسالی [ ۳۶ ] را بررسی کرده اند و بررسی کرده اند که آیا SIF در نظارت بر خشکسالی در مقایسه با VIهای سنتی برتر است یا خیر. تلاش های کمی برای یافتن تفاوت حساسیت SIF به خشکی بین اکوسیستم های مختلف انجام شده است. الگوی مکانی-زمانی امکان سنجی SIF برای نظارت بر خشکسالی در میان انواع مختلف پوشش گیاهی به خوبی شناخته نشده است. برخی از مطالعات SIF را در فصول مختلف بررسی کرده‌اند، برخی از مطالعات به فصلی بودن SIF برای پوشش گیاهی مختلف [ ۳۷ ] پرداخته‌اند، اما مطالعات SIF را به‌عنوان ابزار پایش خشکسالی برای مراتع در طول فصول متمرکز نکرده‌اند یا آن را ارزیابی نکرده‌اند.
منطقه خشک و نیمه خشک چین، منطقه ای که عمدتاً تحت سلطه علفزارهای معتدل و علفزارهای آلپ است، شامل اکوسیستم های مهمی در تولید دام و کاهش تغییرات آب و هوایی است. این دو اکوسیستم مرتعی در دهه های گذشته باعث افزایش سرکوب خشکسالی شده اند. علفزارهای معتدل و مراتع آلپی مکانیسم های متفاوتی در سازگاری با تنش های محیطی دارند. تفاوت در پاسخ SIF به خشکسالی بین علفزارهای معتدل و مراتع آلپ مستحق تحقیقات بیشتر است. اینکه آیا فصلی بودن حساسیت SIF به خشکسالی در دو علفزار معمولی وجود دارد یا نه هنوز مشخص نیست. در تلاش برای پرداختن به این مسائل، این پژوهش سعی دارد به این سه سوال پاسخ دهد:
(۱)
آیا پاسخ SIF به شاخص های خشکسالی یک الگوی ثابت بین مراتع معتدل و مراتع آلپ را نشان می دهد؟
(۲)
حساسیت SIF به شاخص های مختلف خشکسالی در فصول مختلف چگونه تغییر می کند؟
(۳)
محرک های اصلی موثر بر رابطه بین شاخص های SIF و خشکسالی چیست؟

۲٫ مواد و روشها

۲٫۱٫ منطقه مطالعه

منطقه مورد مطالعه واقع در شمال چین، ۴۷ درصد از مساحت سرزمینی چین، که منطقه خشک و نیمه خشک چین است را پوشش می دهد. منطقه خشک و نیمه خشک به عنوان ناحیه ای با نسبت بارندگی به تبخیر و تعرق کمتر از ۰٫۵ تعریف می شود. از ۷۳ درجه و ۲۹ دقیقه تا ۱۲۵ درجه و ۵۱ دقیقه طول جغرافیایی و از ۲۷ درجه و ۱۴ دقیقه تا ۵۰ درجه و ۰۸ دقیقه در عرض جغرافیایی متغیر است که مساحت کل ۶/۴ × ۱۰۶ کیلومتر مربع را پوشش می‌دهد و در ۱۲ استان قرار دارد [ ۳۸ ]. میانگین ارتفاع منطقه مورد مطالعه ۲۵۳۰ متر است. انواع عمده اکوسیستم علفزارها و بیابان ها هستند. علفزارها شامل علفزارهای معتدل و مراتع آلپ هستند ( شکل ۱). علفزارهای معتدل عمدتاً در مغولستان داخلی و فلات لس با ارتفاع متوسط ​​۱۲۰۰ متر و علفزارهای آلپ عمدتاً در فلات تبت با میانگین ارتفاع بیش از ۴۰۰۰ متر از سطح دریا قرار دارند. این علفزارها از نظر آب و هوا، گونه های گیاهی و خواص خاک متفاوت هستند [ ۳۹ ]. فصل رشد برای علفزارهای معتدل از آوریل تا اکتبر و برای علفزارهای آلپ از ماه می تا سپتامبر است [ ۴۰ ]. برای تسهیل تجزیه و تحلیل و مقایسه، ماه های آوریل تا اکتبر را به عنوان دوره تحقیق انتخاب کردیم. گستره علفزارهای معتدل و آلپ از نقشه پوشش گیاهی چین ۱:۱ میلیون استخراج شد. در همین حال، پیکسل‌هایی با میانگین NDVI چند ساله کمتر از ۰٫۱ برای از بین بردن تأثیر مناطق با پوشش گیاهی کم حذف شدند.۴۱ ]. در اینجا، میانگین NDVI با میانگین NDVI ماهانه طی سال‌های ۲۰۰۷-۲۰۱۸ محاسبه شد.

۲٫۲٫ داده ها

۲٫۲٫۱٫ داده های فلورسانس کلروفیل ماهواره ای

SIF توسط گیاهان به عنوان محصول جانبی فتوسنتز منتشر می شود. نشان داده شده است که سیگنال SIF فعالیت های فتوسنتزی را تقریبی نشان می دهد. این بر اساس این نظریه است که کلروفیل گیاهان در طول فرآیند فتوسنتز فلورسانس را در محدوده مادون قرمز نزدیک منتشر می کند [ ۲۱ ، ۴۲ ]. فعالیت های فتوسنتزی در مقیاس بزرگ را می توان با اندازه گیری های فضایی SIF بدست آورد. در این مطالعه، داده های SIF ماهواره ای از ابزار Monitoring Experiment-2 (GOME-2) بر روی پلت فرم MetOp-A استفاده شد. SIF در ۷۴۰ نانومتر از محدوده طیفی بین ۷۲۰ و ۷۵۸ نانومتر با الگوریتمی بازیابی شد که هم نویز بازیابی و هم حساسیت بازیابی SIF به آلودگی ابر را کاهش داد [ ۴۳ ]]. یک محصول SIF شبکه‌بندی شده ماهانه در ۰٫۵ درجه عرض جغرافیایی × ۰٫۵ درجه طول جغرافیایی از سال ۲۰۰۷ تا ۲۰۱۸ در مطالعه ما استفاده شد.
۲٫۲٫۲٫ مجموعه داده خشکسالی
شاخص های خشکسالی جنبه های مختلف خشکسالی را منعکس می کنند. SPEI به طور گسترده مورد استفاده قرار گرفته است زیرا از نظر آماری قوی است و به دلیل ویژگی های چند مقیاسی آن [ ۴۴ ]. SPEI محاسبه شده برای مقیاس های زمانی ۱، ۳، ۶، ۹ و ۱۲ ماهه برای بررسی پاسخ SIF به خشکسالی هواشناسی تجمعی از ۱ تا ۱۲ ماه استفاده می شود. مقیاس زمانی به دوره ای اشاره دارد که در آن شرایط آب و هوایی پیشین انباشته شده است. PDSI ماهانه از سال ۲۰۰۷ تا ۲۰۱۸ برای نشان دادن وضعیت تعادل دما، تبخیر و تعرق بالقوه و بارش منطقه مورد مطالعه استفاده شد [ ۴۵ ، ۴۶ ].
داده های رطوبت خاک از ابتکار تغییر آب و هوا (CCI) آژانس فضایی اروپا (ESA) به دست آمده است. در این مطالعه از محصول رطوبت خاک ESA CCI SM v04.2 استفاده شد. از بازیابی ۱۳ حسگر فعال و غیرفعال [ ۴۷ ، ۴۸ ، ۴۹ ] ادغام شد. مجموعه داده‌های میانگین روزانه رطوبت سطح خاک با وضوح فضایی ۰٫۲۵ درجه از سال ۲۰۰۷ تا ۲۰۱۸ در دسترس است. در این مطالعه، رطوبت خاک با استفاده از میانگین داده‌های روزانه به رطوبت ماهانه خاک تبدیل شد. ثابت شده است که این مجموعه داده ها با مشاهدات درجا رطوبت خاک سازگار هستند.

داده‌های میانگین ماهانه دمای هوا (°C) و رطوبت نسبی (%) در سیستم‌های همسان سازی داده‌های زمین جهانی (GLDAS) از سال ۲۰۰۷ تا ۲۰۱۸ برای محاسبه کسری فشار بخار (VPD) با استفاده از فرمول‌های زیر استفاده شد:

هس=۰٫۶۱۱×ه۱۷٫۲۷×تی۲۷۳٫۳+تی
VپD=(1-آراچ/۱۰۰)×هس

جایی که هسفشار بخار اشباع، RH رطوبت نسبی (%) و T دما (درجه سانتیگراد) است.

محصول MODIS LST MOD11C3 با وضوح زمانی ۸ روزه و قدرت تفکیک مکانی ۵۰۰ متر از سال ۲۰۰۷ تا ۲۰۱۸ از مرکز فعال فرآیندهای زمین تهیه شده است. LST شبانه استخراج شد و با استفاده از تعداد روزهای هر ماه به عنوان وزن [ ۵۰ ] به LST ماهانه ترکیب شد. سپس شاخص وضعیت دما (TCI) از داده‌های LST شبانه ماهانه برآورد شد و می‌توان به صورت زیر فرمول‌بندی کرد:

تیسیمنمن=Lاستیمن،حداکثر-LاستیمنLاستیمن،حداکثر-Lاستیمن،دقیقه.

که در آن LST i ، max و LST i ، min به ترتیب حداکثر LST شب و حداقل LST شب در ماه i هستند.

۲٫۲٫۳٫ داده های نوع پوشش گیاهی و داده های فرعی
توزیع فضایی علفزارهای معتدل و علفزارهای آلپ از نقشه گیاهی ۱:۱ میلیون چین (هیئت تحریریه نقشه گیاهی چین ۲۰۰۱) به دست آمد. علفزارهای معتدل و آلپی در منطقه خشک و نیمه خشک استخراج شد.
برای درک عوامل موثر بر حساسیت داده های SIF به خشکسالی، هشت عامل محرک بالقوه مورد بررسی قرار گرفت. این داده‌ها شامل داده‌های آب و هوایی تاریخی در طول فصل رشد (میانگین دما، حداکثر دما، حداقل دما و میانگین بارندگی)، داده‌های میانگین تاریخی GPP در طول فصل رشد، داده‌های مدل دیجیتال ارتفاع (DEM)، داده‌های میانگین تاریخی تابش در طول فصل رشد است. و میانگین تاریخی داده های LST در طول فصل رشد. داده های آب و هوای تاریخی جدول بندی شده از مرکز ملی اطلاعات هواشناسی، مرکز خدمات داده های هواشناسی چین به دست آمده است. این سطوح آب و هوایی ماهانه با روش صفحه نازک از نرم افزار ANUSPLIN با استفاده از داده های ۲۴۷۲ ایستگاه هواشناسی استخراج شده است. میانگین تاریخی لایه‌های داده‌های اقلیمی فصل رشد با استفاده از داده‌های ۱۲ ساله (۲۰۰۷-۲۰۱۸) ۱۰ ماهه (در طول آوریل و اکتبر) محاسبه شد. میانگین داده های فصل رشد GPP از مجموعه داده ماهانه MODIS GPP (MOD17A2) محاسبه شد.
ما تمام داده‌های مورد استفاده در این مطالعه ( جدول ۱ ) را با وضوح فضایی مشابه داده‌های SIF با استفاده از تکنیک نمونه‌گیری مجدد BILINEAR بر اساس ArcPy ادغام کردیم. تمام پیش پردازش داده ها و تجزیه و تحلیل های آماری در پایتون نسخه ۲٫۷ انجام شد.

۲٫۳٫ تحلیل آماری

ضرایب همبستگی (مقادیر r) بین SIF و متغیرهای خشکسالی (SPEI-1، SPEI-3، SPEI-6، SPEI-9، SPEI-12، PDSI، TCI)، رطوبت خاک و VPD برای ارزیابی توانایی استفاده شد. SIF فضایی برای نظارت بر خشکسالی در سراسر منطقه مورد مطالعه.

r=∑(ایکسمن،j-ایکس¯)×∑(yمن،j-y¯)∑(ایکسمن،j-ایکس¯)۲×∑(yمن،j-y¯)۲

در اینجا، x ​​i ، j و y i ، j مقادیر پیکسل ( i ، j ) هستند، و ایکس¯و y¯مقدار میانگین پیکسل ( i ، j ) از سال ۲۰۰۷ تا ۲۰۱۸ است.

ضرایب همبستگی به طور مستقل برای هر ماه از فصل رشد ارزیابی شد. مقدار r بین SIF و SPEI، PDSI، TCI، VPD و رطوبت خاک در هر سطح پیکسل برای درک رابطه بین آنها محاسبه شد. تفاوت در حساسیت SIF به شرایط خشکسالی بین علفزارهای معتدل و مراتع آلپ مقایسه شد. تمام پردازش داده ها و تجزیه و تحلیل های آماری در پایتون نسخه ۲٫۷ ( https://www.python.org/ ) انجام شد.
علاوه بر این، از روش جنگل تصادفی (RF) برای برآورد اهمیت عوامل مؤثر بر رابطه بین شاخص‌های SIF و خشکسالی، رطوبت خاک و VPD استفاده شد. درصد افزایش میانگین مربعات خطا (%IncMSE) با استفاده از الگوریتم RF برای ارزیابی اهمیت متغیر محاسبه شد. روش رگرسیون RF با استفاده از بسته R “randomForest” ( https://www.r-project.org/ ) [ ۵۱ ] انجام شد. ۸ عامل محرک شرح داده شده در بخش ۲٫۲٫۳(میانگین دما، حداکثر دما، حداقل دما، بارش، GPP، تشعشع، LST در طول فصل رشد و DEM) به عنوان متغیرهای توضیحی و ضرایب همبستگی بین شاخص‌های SIF فضایی و خشکسالی به عنوان متغیرهای وابسته استفاده شد. در این مطالعه، ۵۰۰ درخت تصمیم باینری وارد شدند و هر گره با استفاده از بهترین تقسیم در بین همه متغیرهای کمکی تقسیم شد.

۳٫ نتایج

۳٫۱٫ همبستگی بین SIF و SPEI در مقیاس های زمانی مختلف

هر رکورد در شکل ۲ ضرایب همبستگی بین SIF و SPEI برای یک سلول شبکه است. برای هر سلول شبکه، تجزیه و تحلیل همبستگی با استفاده از SIF و SPEI در طی سال های ۲۰۰۷ و ۲۰۱۸ به عنوان متغیر x و y انجام شد. تمام ضرایب همبستگی ارائه شده در شکل ۲ از نظر آماری معنی دار هستند ( صمقادیر < 0.05). مقادیر r بین SIF و SPEI در مقیاس های زمانی مختلف برای علفزارهای معتدل و مراتع آلپ مقایسه شد. برای علفزار معتدل، ضرایب همبستگی بین SIF و SPEI 1، ۳، ۶، ۹ و ۱۲ ماهه در ژوئیه و آگوست نسبت به ماه‌های دیگر بیشتر بود. با این حال، برای علفزار آلپ، ضرایب همبستگی بین SIF و SPEIs در ژوئن و ژوئیه بیشتر از ماه‌های دیگر بود. در تمام مقیاس های زمانی، مقادیر r بین SIF و SPEI برای علفزارهای معتدل بیشتر از علفزارهای آلپ بود ( شکل ۲ ). در مقیاس های زمانی ۱، ۳، ۶، ۹ و ۱۲ ماهه، همبستگی بین SIF و SPEI سه ماهه (SPEI-3) کمی بیشتر از SPEI در سایر مقیاس های زمانی بود. تفاوت معنی داری بین SPEI-3 و SPEI های طولانی مدت وجود نداشت.
الگوی فضایی ضرایب همبستگی بین SIF و SPEI-3 از آوریل تا اکتبر در سطح پیکسل بین سال‌های ۲۰۰۷ و ۲۰۱۸ محاسبه شد ( شکل ۳ ). همانطور که نشان داده شد، الگوی فضایی ضرایب همبستگی بین SIF و SPEI-3 در اوایل فصل رشد (آوریل و می) و اواخر فصل رشد (اکتبر) مشابه بود. با این حال، در ماه های جولای و آگوست، پیکسل های با مقدار r بزرگتر از ۰٫۵ عمدتاً در علفزارهای درجه حرارت توزیع شدند.

۳٫۲٫ الگوی فضایی و زمانی روابط بین SIF و متغیرهای مختلف خشکسالی

علاوه بر این، رابطه بین SIF و سایر متغیرها به جز SPEI، به ویژه PDSI، رطوبت خاک، TCI و VPD مقایسه شد. هر رکورد در شکل ۴ مقدار r بین SIF و PDSI، SM، TCI یا VPD برای یک سلول شبکه است. برای هر سلول شبکه، تجزیه و تحلیل همبستگی با استفاده از SIF و یک متغیر خشکسالی مشخص بین سال‌های ۲۰۰۷ و ۲۰۱۸ به ترتیب به عنوان متغیر x و y انجام شد. تمام ضرایب همبستگی ارائه شده در شکل ۴ از نظر آماری معنی دار هستند ( صمقادیر < 0.05). به طور کلی، بین SIF و رطوبت خاک همبستگی مثبت قوی تری نسبت به همبستگی بین SIF و TCI، VPD و PDSI وجود دارد. میانگین ضرایب همبستگی بین SIF و رطوبت خاک برای مراتع معتدل ۰٫۷۲ و برای مراتع آلپ ۰٫۶۹ بود. میانگین ضرایب همبستگی بین SIF و PDSI، TCI، VPD برای مراتع معتدل ۰٫۴۳، ۰٫۳۸، و ۰٫۳۹ و برای علفزارهای کوهستانی ۰٫۳۹، ۰٫۳۸ و ۰٫۴۰ بود. برای رطوبت خاک و PDSI، ضرایب همبستگی از آوریل تا اوت افزایش یافته و سپس از جولای تا اکتبر کاهش یافته است. برای TCI و VPD، متوسط ​​ضرایب همبستگی از ۰٫۱ تا ۰٫۳ بود و هیچ روند فصلی برای ضرایب همبستگی وجود نداشت.
در منطقه مورد مطالعه، متغیرهای فضایی روابط بین متغیرهای SIF فضایی و خشکسالی در شکل ۵ نشان داده شده است. همبستگی بین SIF و PDSI از ژوئن تا آگوست برای علفزارهای معتدل از علفزارهای آلپ قوی تر بود. در حالی که در ماه های آوریل، می، سپتامبر و اکتبر، هیچ تفاوتی بین علفزارهای معتدل و مراتع آلپ از نظر رابطه بین SIF و PDSI وجود نداشت. با این حال، در جولای و آگوست، ضرایب همبستگی بین SIF و PDSI برای بسیاری از پیکسل‌ها، به‌ویژه برای مراتع معتدل، بالاتر از ۰٫۵ بود، در حالی که برای مراتع آلپ، ضرایب همبستگی بین SIF و PDSI فقط در ماه جولای مقادیر بالاتری را نشان می‌دهند.
الگوی فضایی و فصلی همبستگی بین SIF و رطوبت خاک مشابه بین SIF و PDSI بود ( شکل ۶ ). فضاهای خالی در شکل ۶ بزرگتر هستند ، زیرا داده های گمشده بیشتری برای داده های رطوبت خاک، به ویژه در آوریل، می و اکتبر وجود داشت. ضرایب همبستگی بیش از ۳۶ درصد از پیکسل ها در جولای و آگوست از ۰٫۶ فراتر رفت.
برای ضرایب همبستگی بین SIF و VPD، و بین SIF و TCI، بسیاری از پیکسل ها مقادیر منفی را نشان دادند. تفاوت بین علفزارهای معتدل و مراتع آلپ برای تمام ماه های فصل رشد معنی دار نبود. به طور کلی، ضرایب همبستگی بین SIF و TCI و VPD کمتر از بین SIF و رطوبت خاک، SPEI و PDSI بود. علاوه بر این، هیچ روند فصلی برای ضرایب همبستگی بین SIF و TCI و VPD وجود نداشت ( شکل ۷ و شکل ۸ ).

۳٫۳٫ مقایسه مقیاس منطقه ای همبستگی بین متغیرهای مختلف خشکسالی و SIF

در مقیاس منطقه ای، ضرایب همبستگی SIF و ۹ متغیر دیگر خشکسالی در سراسر منطقه خشک و نیمه خشک برای علفزارهای معتدل و مراتع آلپ به ترتیب در شکل ۹ و شکل ۱۰ نشان داده شده است. برای علفزارهای معتدل، SIF دارای بالاترین ضریب همبستگی با رطوبت خاک در ماه جولای (r = 0.52) و به دنبال آن SPEI-3 در ماه جولای (r = 0.49) بود. ضرایب همبستگی بین SIF و TCI و ضرایب همبستگی بین SIF و VPD به طور کلی کمتر از رطوبت خاک، SPEIs و PDSI بود.

۳٫۴٫ عوامل محرک متغیر در رابطه بین متغیرهای SIF و خشکسالی

برای بررسی عوامل محرک تفاوت در حساسیت SIF ماهواره به متغیرهای خشکسالی، هشت نیروی بالقوه بر اساس روش رگرسیون RF بررسی شد. ما عمدتاً ارتباط بین SIF و SPEI-3 ( R SIF_SPEI )، بین SIF و PDSI ( R SIF_PDSI )، بین SIF و رطوبت خاک ( R SIF_SM ) و بین SIF و VPD ( R SIF_VPD ) را در ماه جولای مطالعه کردیم. مقایسه ها برای ماه جولای انجام شد زیرا همبستگی بین متغیرهای SIF و خشکسالی در ماه جولای قوی تر از ماه های دیگر به طور کلی بود. با توجه به امتیازهای اهمیت متغیر نشان داده شده در شکل ۱۱میانگین دمای فصل رشد، دمای حداقل، دمای حداکثر، و میانگین تابش فصل رشد در نتیجه غالب بودند و به دنبال آن DEM، LST، GPP و بارش قرار گرفتند. مشابه R SIF_SPEI ، متغیرهای مرتبط با دما (دما حداقل، LST، میانگین دما، و حداکثر دما) غالب ترین نیروهای محرک برای توزیع فضایی R SIF_PDSI ، R SIF_SM ، و R SIF_VPD بودند . میانگین بارندگی فصل رشد و GPP عوامل کم‌اهمیت مؤثر بر قدرت R SIF_PDSI ، R SIF_SM و R SIF_VPD بودند.. نتایج نشان می دهد که تغییرات دما بر حساسیت پوشش گیاهی مرتع به خشکی تأثیر می گذارد.

۴٫ بحث

۴٫۱٫ رابطه بین SIF و متغیرهای مختلف خشکسالی

به طور کلی، ضرایب همبستگی بین متغیرهای SIF و خشکسالی نسبتاً پایین است. دلایل مختلفی وجود دارد، به عنوان مثال، فرآیندها و الگوریتم‌های بازیابی SIF پیچیده هستند و ممکن است حاوی برخی عدم قطعیت باشند. وضوح مکانی و زمانی درشت این عدم قطعیت ها را افزایش داد. این مشابه مطالعات قبلی است. به عنوان مثال، چن و همکاران. نشان داد که ضرایب همبستگی بین SIF و SPEI، رطوبت خاک، LST، بارش بین ۰٫۴- و ۰٫۵ بر روی دشت چین شمالی [ ۳۵ ] است.]. جیائو و همکاران ضرایب همبستگی بین SIF و شاخص‌های خشکسالی هواشناسی را برای انواع مختلف اکوسیستم در قاره ایالات متحده محاسبه کرد و میانه‌های گزارش شده ضرایب همبستگی معنی‌دار آماری بین SIF و شاخص‌های خشکسالی حدود ۰٫۵ بود [ ۱ ].]. همبستگی بین SIF و رطوبت خاک، SPEI و PDSI بسیار قوی تر از سایر متغیرها بود. در مقابل، ضریب همبستگی بین SIF و TCI کمترین بود. نتایج را می توان با ویژگی های منطقه آب و هوایی خشک و نیمه خشک توضیح داد. SPEI می تواند خشکسالی هواشناسی محاسبه شده از بارش و تبخیر و تعرق بالقوه را محاسبه کند، در حالی که PDSI نشان دهنده تعادل بارش، تبخیر و تعرق بالقوه و دما است. با این حال، TCI تنها بر اساس داده های دما مشتق شده است. در مناطق خشک و نیمه خشک، به غیر از دما، شرایط آب نیروی غالبی است که واریانس رشد پوشش گیاهی را محاسبه می کند. بنابراین، SIF نسبت به سایر متغیرهای خشکسالی حساسیت کمتری به TCI داشت. VPD از دما و فشار بخار GLDAS NOAH محاسبه شد. با وضوح مکانی ۱ درجه. همبستگی ضعیف بین SIF و VPD ممکن است در درجه اول به دلیل نویز در داده های VPD ناشی از وضوح فضایی درشت باشد، و نمی تواند اطلاعات محلی را در فضا ضبط کند. علاوه بر این، وضوح زمانی درشت (گام زمانی ماهانه) داده‌ها نیز منجر به همبستگی ضعیف شد.
علاوه بر این، نتایج نشان می‌دهد که SIF همبستگی ضعیف‌تری با SPEI-1 نسبت به SPEI در سایر مقیاس‌های زمانی دارد، زیرا تغییرات در رشد چمن می‌تواند توسط رطوبت خاک بافر شود. شرایط خشکسالی به طور اجتناب ناپذیری منجر به فشار آب روی پوشش گیاهی نمی شود. در برخی موارد، زمانی که مرحله اولیه خشکسالی رخ می دهد، گیاهان همچنان می توانند رطوبت خاک را جذب کنند تا رشد طبیعی خود را حفظ کنند بدون اینکه برای مدتی دچار کمبود آب شوند. اثر توزیع مجدد هیدرولیکی ریشه‌ها مانند ظرفیت جبران آب، می‌تواند از آسیب خشکسالی جلوگیری کرده یا آن را کاهش دهد [ ۵۲ ، ۵۳ ]. مدت زمانی که چمنزار می تواند ذخیره آب را تحمل کند به عوامل زیادی مانند خواص خاک، گونه های چمن و درجه خشکسالی بستگی دارد. این نتیجه مشابه مطالعات قبلی است [۱ ، ۵۴ ]. مطالعه انجام شده در قاره ایالات متحده همچنین نشان داد که SIF علفزار قوی‌ترین همبستگی را با SPEI-3 دارد و خشکسالی طولانی‌مدت تغییر قابل‌توجهی در حساسیت SIF مرتع ایجاد نکرد [ ۱ ].

۴٫۲٫ واریانس پاسخ SIF به خشکسالی در دو نوع اکوسیستم علفزار

نتایج نشان داد که علفزارهای معتدل و مراتع آلپی حساسیت SIF متفاوتی به متغیرهای خشکسالی دارند. بزرگی و فصلی ضرایب همبستگی بین شاخص های SIF و خشکسالی برای مراتع معتدل و مراتع آلپ متفاوت است. به طور کلی، SIF برای علفزارهای معتدل نسبت به علفزارهای آلپ به خشکی حساس تر بود. علفزارهای معتدل در مناطق خشک و نیمه خشک دارای محدودیت آب هستند. بنابراین، کمبود آب خاک از طریق کاهش حداکثر سرعت فتوسنتزی گیاه مانع رشد پوشش گیاهی می شود [ ۴۱ ]. منجمد دائمی منبع آب اولیه برای مراتع آلپ است، بنابراین حساسیت رشد پوشش گیاهی به خشکی در علفزارهای آلپ ضعیف تر بود [ ۵۵ ]]. مکانیسم چرخه کربن و آب برای علفزارهای معتدل و مراتع آلپ نیز متفاوت است [ ۵۶ ]. نتایج رگرسیون RF نشان داد که عوامل اقلیمی، ویژگی‌های توپوگرافی و تشعشع می‌توانند بر توانایی SIF برای پایش خشکسالی تأثیر بگذارند. حساسیت بالای SIF به خشکی برای علفزارهای معتدل در مناطق خشک و نیمه خشک، از مطالعات اخیر حمایت می کند [ ۱ ، ۲۶ ]. خو و همکاران [ ۲۶ ] دریافتند که بالاترین حساسیت SIF به خشکی به ویژه اکوتون های کشاورزی-مرغی در مناطق نیمه خشک است که با حساسیت SIF بالا در این مطالعه مطابقت دارد.
برای علفزارهای آلپ، سلول های شبکه بیشتر یک همبستگی منفی بین متغیرهای SIF و خشکسالی نسبت به علفزارهای معتدل نشان دادند. همبستگی منفی به این معنی است که رویدادهای خشکسالی، مانند افزایش دما یا کاهش بارندگی، می تواند سیگنال SIF را در مناطق خاصی افزایش دهد. همبستگی منفی در علفزارهای آلپ احتمالاً به دلیل کمبود آب خاک در هنگام وقوع خشکسالی است [ ۵۷ ]. گاهی اوقات هنگام وقوع خشکسالی، دما بالا و آسمان صاف است و افزایش دما و PAR نیز ممکن است مقدار SIF را افزایش دهد. علاوه بر این، در برخی مناطق الگوی ناهمگن همبستگی های مثبت و منفی را می توان به کیفیت داده ها نسبت داد. همبستگی منفی SIF SPEI نیز در مطالعات قبلی مشاهده شد [ ۲۶]، که احتمالاً ناشی از تغییرات در فنولوژی برگ و محدودیت تشعشع [ ۵۸ ] است. تجزیه و تحلیل رگرسیون RF در این مطالعه همچنین نشان داد که تابش یکی از عوامل مهم تعیین کننده برای حساسیت SIF به خشکی است.

۴٫۳٫ حساسیت SIF در مراحل مختلف در طول فصل رشد

نتایج نشان می‌دهد که همبستگی SIF با SPEIs، PDSI و رطوبت خاک در ماه‌های جولای و آگوست بسیار بیشتر از ماه‌های دیگر برای مراتع معتدل بود. برای مراتع آلپ، همبستگی در ماه ژوئن و جولای بالاتر بود. شبیه‌سازی‌های مدل همچنین نشان داد که پاسخ‌های فتوسنتز فصلی این دو نوع مرتع به تغییرات آب و هوایی متفاوت است [ ۳۰ ]]. همبستگی ضعیف‌تر بین SIF و متغیرهای خشکسالی در اوایل و اواخر فصل رشد نیز ممکن است به دلیل پوشش کم گیاهان در این دوره‌ها باشد. خو و همکاران همچنین نشان داد که تغییرات درون سالانه میانگین فضایی SIF مبتنی بر OCO-2 نزدیک به توزیع نرمال در شمال چین بود و میانگین SIF در آوریل، می و اکتبر بسیار کمتر از ژوئن، جولای و آگوست بود. ۲۶ ]. داده‌های SIF برای بسیاری از سلول‌های شبکه با پوشش گیاهی کم در این ماه‌های فصل رشد اولیه و اواخر وجود نداشت. کیفیت داده ها نتوانست تنوع پوشش گیاهی را به طور منطقی منعکس کند و در نهایت باعث عدم قطعیت های آماری شد. مطالعات آینده می‌تواند حسگرهای دیگری را که وضوح مکانی و فرکانس زمانی دقیق‌تری دارند، مانند GeoCARB [ ۵۹ ]، TROPOMI60 ] و FLEX [ ۶۱ ]. علاوه بر این، برخی از الگوریتم‌های کاهش مقیاس فضایی برای کاهش مقیاس داده‌های SIF ماهواره‌ای به وضوح بهتر توسعه داده شده‌اند [ ۳۲ ، ۶۲ ].
در این مطالعه محدودیت های متعددی وجود داشت. ابتدا پاسخ SIF به خشکسالی با استفاده از تحلیل همبستگی ارزیابی شد. روابط همبستگی قطعاً نشان دهنده روابط علی نیستند. دوم، داده‌های SIF اعمال‌شده فعلی دارای وضوح فضایی درشت ۰٫۵ درجه هستند و اطلاعات مکانی دقیق نمی‌توانند به درستی ضبط شوند. سوم، سری‌های زمانی کوتاه هستند و فقط ۱۲ سال را پوشش می‌دهند (دوره زمانی ۲۰۰۷ تا ۲۰۱۸). اخیراً، لی و شیائو [ ۶۳ ] مجموعه داده های SIF را در دوره ۲۰۰۰-۲۰۱۷ بر اساس صداهای گسسته OCO-2 SIF، داده های MODIS و داده های هواشناسی توسعه دادند که می تواند در تحقیقات آینده مورد استفاده قرار گیرد.

۵٫ نتیجه گیری ها

این مطالعه ویژگی‌های همبستگی SIF فضایی را با متغیرهای خشکسالی در مناطق خشک و نیمه‌خشک از سال ۲۰۰۷ تا ۲۰۱۸ برای دو اکوسیستم علفزار معمولی بررسی کرد. ما دریافتیم که ضریب همبستگی بین SIF و رطوبت خاک قوی‌ترین است، به دنبال آن SPEI و PDSI قرار دارند، در حالی که ضریب همبستگی بین SIF و TCI ضعیف‌ترین است. برای این منطقه خشک و نیمه خشک، ما همچنین دریافتیم که SIF مرتع معتدل حساسیت بالاتری نسبت به خشکسالی نسبت به SIF علفزار آلپی نشان می دهد، و همبستگی منفی بیشتری در علفزارهای آلپی نسبت به علفزارهای معتدل پیدا شد. به طور کلی، پاسخ SIF به خشکی در طول دوره اوج فصل رشد بیشتر از در اوایل و اواخر فصل رشد بود. از جمله عوامل اقلیمی، DEM، GPP، عوامل دمایی فصل رشد و تشعشع مهمترین متغیرها برای همبستگی SIF با متغیرهای خشکسالی هستند. SIF فضایی پتانسیل زیادی برای تشخیص خشکسالی برای علفزارهای معتدل در طول فصل رشد اوج در مناطق خشک و نیمه خشک دارد. لازم به ذکر است که این تحقیق به بررسی پاسخ ماهواره SIF به خشکسالی از منظر آماری پرداخته است. در آینده، اندازه گیری های میدانی SIF نیز باید برای ارائه اطلاعات بیشتر در مورد مکانیسم ها انجام شود. لازم به ذکر است که این تحقیق به بررسی پاسخ ماهواره SIF به خشکسالی از منظر آماری پرداخته است. در آینده، اندازه گیری های میدانی SIF نیز باید برای ارائه اطلاعات بیشتر در مورد مکانیسم ها انجام شود. لازم به ذکر است که این تحقیق به بررسی پاسخ ماهواره SIF به خشکسالی از منظر آماری پرداخته است. در آینده، اندازه گیری های میدانی SIF نیز باید برای ارائه اطلاعات بیشتر در مورد مکانیسم ها انجام شود.

منابع

  1. جیائو، دبلیو. چانگ، Q. وانگ، L. حساسیت فلورسانس کلروفیل ناشی از خورشید ماهواره ای به خشکسالی هواشناسی. Earths Future ۲۰۱۹ ، ۷ ، ۵۵۸–۵۷۳٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  2. فنگ، دبلیو. Shum، CK; ژونگ، ام. Pan, Y. تغییرات ذخیره آب زیرزمینی در چین از گرانش ماهواره ای: یک مرور کلی. Remote Sens. ۲۰۱۸ , ۱۰ , ۶۷۴٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  3. هلویگ، جی. د گراف، IEM; ویلر، ام. استال، ک. ارزیابی در مقیاس بزرگ پاسخ های تاخیری آب های زیرزمینی به خشکسالی. منبع آب Res. ۲۰۲۰ , ۵۶ , e2019WR025441. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  4. لیو، ایکس. پان، ی. زو، ایکس. یانگ، تی. بای، جی. Sun، Z. تکامل خشکسالی و تأثیر آن بر عملکرد محصول در دشت شمال چین. جی هیدرول. ۲۰۱۸ ، ۵۶۴ ، ۹۸۴-۹۹۶٫ [ Google Scholar ] [ CrossRef ]
  5. جمشیدی، س. زند پارسا، س. کامگار حقیقی، ع.ا. شهسوار، ع. Niyogi, D. تبخیر و تعرق، ضرایب زراعی و پاسخ های فیزیولوژیکی درختان مرکبات در شرایط اقلیمی نیمه خشک. کشاورزی مدیریت آب. ۲۰۲۰ , ۲۲۷ , ۱۰۵۸۳۸٫ [ Google Scholar ] [ CrossRef ]
  6. او، دبلیو. جو، دبلیو. شوالم، سی. سیپل، اس. وو، ایکس. کیائونینگ، اچ. آهنگ، ال. ژانگ، سی. لی، جی. سیچ، اس. و همکاران خشکسالی در مقیاس بزرگ مسئول کاهش چشمگیر جذب خالص کربن زمینی در آمریکای شمالی در سال‌های ۲۰۱۱ و ۲۰۱۲ است. J. Geophys. Res. Biogeosci. ۲۰۱۸ ، ۱۲۳ ، ۲۰۵۳–۲۰۷۱٫ [ Google Scholar ] [ CrossRef ]
  7. یو، سی. هوانگ، ایکس. چن، اچ. هوانگ، جی. نی، س. رایت، جی اس؛ هال، جی. سیایس، پی. ژانگ، جی. شیائو، ی. و همکاران ارزیابی اثرات خشکسالی شدید کشاورزی در چین تحت تغییرات آب و هوایی و اجتماعی و اقتصادی Earths Future ۲۰۱۸ ، ۶ ، ۶۸۹–۷۰۳٫ [ Google Scholar ] [ CrossRef ]
  8. لی، ایکس. لی، ی. چن، آ. گائو، ام. اسلت، آی جی. پیائو، اس. تأثیر خشکسالی ۲۰۰۹/۲۰۱۰ بر رشد پوشش گیاهی و تعادل کربن زمینی در جنوب غربی چین. کشاورزی برای. هواشناسی ۲۰۱۹ ، ۲۶۹ ، ۲۳۹-۲۴۸٫ [ Google Scholar ] [ CrossRef ]
  9. ژانگ، ایکس. چن، ن. لی، جی. چن، ز. Niyogi، D. چارچوب یکپارچه چند حسگر و شاخص برای پایش خشکسالی کشاورزی. سنسور از راه دور محیط. ۲۰۱۷ ، ۱۸۸ ، ۱۴۱-۱۶۳٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  10. وانگ، جی. دونگ، جی. یی، ی. لو، جی. اویلر، جی. اسمیت، دبلیو. ژائو، ام. لیو، جی. در حال اجرا، S. کاهش تولید اولیه خالص به دلیل خشکسالی و کاهش جزئی تابش خورشیدی در چین از سال ۲۰۰۰ تا ۲۰۱۲٫ J. Geophys. Res. Biogeosci. ۲۰۱۷ ، ۱۱۲ ، ۲۶۱-۲۷۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  11. علمدارلو، ا.ح. منش، MB; خسروی، ح. ارزیابی احتمال آسیب پذیری پوشش گیاهی در برابر خشکسالی بر اساس داده های سنجش از دور. محیط زیست نظارت کنید. ارزیابی کنید. ۲۰۱۸ ، ۱۹۰ ، ۷۰۲٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
  12. چانگ، سی. وانگ، اچ. Huang, C. ارزیابی شاخص‌های مشتق از تغییرات (۲۰۰۱-۲۰۱۳) برای خشکسالی در جنگل‌های تایوان. بین المللی J. Biometeorol. ۲۰۱۷ ، ۶۲ ، ۸۰۹-۸۲۲٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
  13. باجگین، ر. شیائو، ایکس. واگل، پی. بسارا، ج. Zhou، Y. تجزیه و تحلیل حساسیت شاخص های پوشش گیاهی به خشکسالی در دو سایت دشت چمن بلند. ISPRS J. Photogramm. Remote Sens. ۲۰۱۵ ، ۱۰۸ ، ۱۵۱-۱۶۰٫ [ Google Scholar ] [ CrossRef ]
  14. یوشیدا، ی. جوینر، جی. تاکر، سی. بری، جی. لی، جی. واکر، جی. رایشل، آر. کوستر، آر. لیاپوستین، آ. وانگ، ی. تأثیر خشکسالی روسیه در سال ۲۰۱۰ بر اندازه‌گیری‌های ماهواره‌ای فلورسانس کلروفیل ناشی از خورشید: بینش از مدل‌سازی و مقایسه با پارامترهای به دست آمده از بازتاب‌های ماهواره‌ای. سنسور از راه دور محیط. ۲۰۱۵ ، ۱۶۶ ، ۱۶۳-۱۷۷٫ [ Google Scholar ] [ CrossRef ]
  15. جئونگ، اس.-جی. شیمل، دی. فرانکنبرگ، سی. Drewry، DT; فیشر، جی بی. ورما، م. بری، جی. لی، جی.-ای. Joiner, J. کاربرد فلورسانس کلروفیل ناشی از خورشید ماهواره ای برای درک تغییرات در مقیاس بزرگ در فنولوژی پوشش گیاهی و عملکرد بیش از جنگل های عرض جغرافیایی بالا شمالی. سنسور از راه دور محیط. ۲۰۱۷ ، ۱۹۰ ، ۱۷۸-۱۸۷٫ [ Google Scholar ] [ CrossRef ]
  16. کوهلر، پی. گوانتر، ال. کوبایاشی، ح. والتر، اس. یانگ، دبلیو. ارزیابی پتانسیل فلورسانس ناشی از خورشید و ضریب پراکندگی تاج پوشش برای ردیابی پویایی پوشش گیاهی در مقیاس بزرگ در جنگل‌های آمازون. سنسور از راه دور محیط. ۲۰۱۸ ، ۲۰۴ ، ۷۶۹-۷۸۵٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  17. لو، ایکس. لیو، ز. ژو، ی. لیو، ی. آن، اس. Tang, J. مقایسه فنولوژی برآورد شده از شاخص های مبتنی بر بازتاب و مشاهدات فلورسانس کلروفیل ناشی از خورشید (sif) در یک جنگل معتدل با استفاده از فنولوژی مبتنی بر gpp به عنوان استاندارد. Remote Sens. ۲۰۱۸ , ۱۰ , ۹۳۲٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  18. ما، جی. شیائو، ایکس. ژانگ، ی. دوغتی، ر. چن، بی. ژائو، ب. سازگاری مکانی-زمانی بین بهره‌وری اولیه ناخالص و فلورسانس کلروفیل ناشی از خورشید از پوشش گیاهی در چین طی سال‌های ۲۰۰۷-۲۰۱۴٫ علمی کل محیط. ۲۰۱۸ ، ۶۳۹ ، ۱۲۴۱-۱۲۵۳٫ [ Google Scholar ] [ CrossRef ]
  19. وانگ، ایکس. کیو، بی. لی، دبلیو. ژانگ، Q. اثرات خشکسالی و موج گرما بر اکوسیستم زمینی در چین همانطور که توسط فلورسانس کلروفیل ناشی از خورشید ماهواره ای نشان داده شده است. علمی کل محیط. ۲۰۱۹ ، ۶۹۳ ، ۱۳۳۶۲۷٫ [ Google Scholar ] [ CrossRef ]
  20. ژانگ، ال. کیائو، ن. هوانگ، سی. وانگ، اس. نظارت بر اثرات خشکسالی بر بهره وری پوشش گیاهی با استفاده از فلورسانس کلروفیل ناشی از خورشید ماهواره ای. Remote Sens. ۲۰۱۹ , ۱۱ , ۳۷۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  21. سان، ی. فو، آر. دیکنسون، آر. جوینر، جی. فرانکنبرگ، سی. گو، ال. شیا، ی. فرناندو، N. مکانیسم‌های شروع خشکسالی که توسط فلورسانس کلروفیل ناشی از خورشید ماهواره‌ای نشان داده شد: بینش‌هایی از دو رویداد شدید متضاد. جی. ژئوفیز. Res.-Biogeosci. ۲۰۱۵ ، ۱۲۰ ، ۲۴۲۷-۲۴۴۰٫ [ Google Scholar ] [ CrossRef ]
  22. لای، سی. ژونگ، آر. وانگ، ز. وو، ایکس. چن، ایکس. وانگ، پی. لیان، ی. نظارت بر خشکسالی هیدرولوژیکی با استفاده از داده‌های بارش بلندمدت مبتنی بر ماهواره. علمی کل محیط. ۲۰۱۹ ، ۶۴۹ ، ۱۱۹۸-۱۲۰۸٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
  23. شارما، اس. Mujumdar, P. افزایش فراوانی و گستردگی مکانی خشکسالی‌های هواشناسی و موج گرمای همزمان در هند. علمی ۲۰۱۷ ، ۷ ، ۱-۹ . [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  24. جمشیدی، س. زند پارسا، س. جهرمی، م.ن. Niyogi, D. کاربرد یک مدل همجوشی ساده لندست-مودیس برای تخمین تبخیر و تعرق در یک منطقه پوشش گیاهی ناهمگن. Remote Sens. ۲۰۱۹ , ۱۱ , ۷۴۱٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  25. جمشیدی، س. زند پارسا، س. پاک پرور، م. Niyogi, D. ارزیابی تبخیر و تعرق در یک منطقه نیمه خشک با استفاده از منابع داده چند وضوحی. J. Hydrometeorol. ۲۰۱۹ ، ۲۰ ، ۹۴۷–۹۶۴٫ [ Google Scholar ] [ CrossRef ]
  26. خو، اچ. وانگ، ایکس. ژائو، سی. یانگ، X. ارزیابی پاسخ فتوسنتز پوشش گیاهی به خشکسالی هواشناسی در سراسر چین شمالی. تخریب زمین توسعه دهنده ۲۰۲۰ . [ Google Scholar ] [ CrossRef ]
  27. سان، ایکس. وانگ، ام. لی، جی. Wang، Y. نظارت بر خشکسالی در مقیاس منطقه ای با استفاده از شاخص سنتز شده بر اساس سنجش از دور در شمال شرق چین. Geosci را باز کنید. ۲۰۲۰ ، ۱۲ ، ۱۶۳٫ [ Google Scholar ] [ CrossRef ]
  28. لی، ز. هان، ی. هائو، تی. ارزیابی سازگاری شاخص‌های خشکسالی چندگانه سنجش از راه دور برای پایش پدیده‌های خشکسالی در قاره چین. IEEE Trans. Geosci. Remote Sens. ۲۰۲۰ , ۵۸ , ۵۴۹۰–۵۵۰۲٫ [ Google Scholar ] [ CrossRef ]
  29. سندرز، AFJ؛ Verstraeten، WW; کورمن، ام ال. ون لث، TC; برینگر، جی. Joiner، J. Spaceborne سری زمانی فلورسانس پوشش گیاهی ناشی از خورشید از سال ۲۰۰۷ تا ۲۰۱۵ با اندازه‌گیری‌های برج شار استرالیا ارزیابی شد. Remote Sens. ۲۰۱۶ ، ۸ ، ۸۹۵٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  30. وانگ، اس. هوانگ، سی. ژانگ، ال. لین، ی. سن، ی. Wu, T. نظارت و ارزیابی خشکسالی ۲۰۱۲ در دشت‌های بزرگ: تجزیه و تحلیل فلورسانس کلروفیل ناشی از خورشید، شاخص‌های خشکسالی و تولید اولیه ناخالص. Remote Sens. ۲۰۱۶ ، ۸ ، ۶۱٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  31. ژانگ، ی. شیائو، ایکس. جین، سی. دونگ، جی. ژو، اس. واگل، پی. جوینر، جی. گوانتر، ال. ژانگ، ی. ژانگ، جی. و همکاران سازگاری بین فلورسانس کلروفیل ناشی از خورشید و تولید اولیه ناخالص پوشش گیاهی در آمریکای شمالی سنسور از راه دور محیط. ۲۰۱۶ ، ۱۸۳ ، ۱۵۴-۱۶۹٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  32. دوویلر، جی. Cescatti، A. فلورسانس کلروفیل ناشی از نور خورشید به صورت فضایی کاهش می یابد که منجر به بهبود همبستگی زمانی با بهره وری اولیه ناخالص می شود. سنسور از راه دور محیط. ۲۰۱۶ ، ۱۸۲ ، ۷۲-۸۹٫ [ Google Scholar ] [ CrossRef ]
  33. گرو، ا. Velicogna، I.; کیمبال، جی اس. دو، ج. کیم، ی. Njoku، E. تغییرات حساسیت پوشش گیاهی به رطوبت خاک سطحی و تغییرات کل ذخیره آب را از زمان خشکسالی تگزاس در سال ۲۰۱۱ مشاهده کرد. محیط زیست Res. Lett. ۲۰۱۷ ، ۱۲ ، ۰۵۴۰۰۶٫ [ Google Scholar ]
  34. نی، ز. هوو، اچ. تانگ، اس. Li، Z.-L. لیو، ز. خو، اس. چن، ب. ارزیابی پاسخ فلورسانس کلروفیل و محصولات گیاهی مودیس ناشی از خورشید ماهواره ای به رطوبت خاک از سال ۲۰۱۰ تا ۲۰۱۷: موردی در استان یوننان چین. بین المللی J. Remote Sens. ۲۰۱۹ , ۴۰ , ۲۲۷۸–۲۲۹۵٫ [ Google Scholar ] [ CrossRef ]
  35. چن، ایکس. مو، ایکس. ژانگ، ی. سان، ز. لیو، ی. هو، اس. لیو، اس. تشخیص و ارزیابی خشکسالی با فلورسانس کلروفیل ناشی از خورشید در دوره رشد ذرت تابستانی در دشت شمال چین. Ecol. اندیک. ۲۰۱۹ ، ۱۰۴ ، ۳۴۷-۳۵۶٫ [ Google Scholar ] [ CrossRef ]
  36. کیان، ایکس. کیو، بی. Zhang، Y. کاهش گسترده در فتوسنتز پوشش گیاهی در جنوب شرقی آسیا به دلیل خشکسالی طولانی در طول سال ۲۰۱۵/۲۰۱۶ el nino. Remote Sens. ۲۰۱۹ , ۱۱ , ۹۱۰٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  37. مریک، تی. پائو، اس. خورخه، MLSP؛ سیلوا، TSF; Bennartz، R. الگوهای فضایی و زمانی و فنولوژی پوشش گیاهی گرمسیری فلورسانس کلروفیل ناشی از خورشید در سراسر بیوم برزیل با استفاده از مشاهدات ماهواره ای. Remote Sens. ۲۰۱۹ ، ۱۱ ، ۱۷۴۶٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  38. مائو، دی. وانگ، ز. وو، بی. زنگ، ی. لو، ال. Zhang، B. تخریب و احیای زمین در مناطق خشک و نیمه خشک چین: شواهد و پیامدهای کمی از ماهواره ها. تخریب زمین توسعه دهنده ۲۰۱۸ ، ۲۹ ، ۳۸۴۱–۳۸۵۱٫ [ Google Scholar ] [ CrossRef ]
  39. خو، سی. لیو، اچ. ویلیامز، AP; یین، ی. Wu، X. به سمت اوج اولیه فصل رشد در نیمکره شمالی عرض های جغرافیایی میانی گرایش دارد. گلوب. چانگ. Biol. ۲۰۱۶ ، ۲۲ ، ۲۸۵۲-۲۸۶۰٫ [ Google Scholar ] [ CrossRef ]
  40. Xiangjin، S. ژو، دی. لی، اف. Zhang، H. تغییر پوشش گیاهی و پاسخ آن به تغییرات آب و هوا در منطقه مرتع چین. علمی Geogr. گناه ۲۰۱۵ ، ۳۵ ، ۶۲۲-۶۲۹٫ [ Google Scholar ]
  41. یانگ، جی. دونگ، جی. شیائو، ایکس. دای، جی. وو، سی. شیا، جی. ژائو، جی. ژائو، ام. لی، ز. ژانگ، ی. و همکاران تغییرات متفاوت در زمان اوج فتوسنتز در مراتع معتدل و آلپ در چین. سنسور از راه دور محیط. ۲۰۱۹ ، ۲۳۳ ، ۱۱۱۳۹۵٫ [ Google Scholar ] [ CrossRef ]
  42. گوان، ک. بری، جی. ژانگ، ی. جوینر، جی. گوانتر، ال. بادگلی، جی. Lobell, DB بهبود نظارت بر بهره وری محصول با استفاده از فلورسانس ناشی از خورشید در فضا. گلوب. چانگ. Biol. ۲۰۱۶ ، ۲۲ ، ۷۱۶-۷۲۶٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
  43. جوینر، جی. یوشیدا، ی. گوانتر، ال. میدلتون، EM روش‌های جدید برای بازیابی فلورسانس قرمز کلروفیل از ابزارهای ماهواره‌ای ابرطیفی: شبیه‌سازی و کاربرد برای gome-2 و سیاماکی. اتمس. Meas. فنی ۲۰۱۶ ، ۹ ، ۳۹۳۹-۳۹۶۷٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  44. ویسنته-سرانو، اس ام. آزورین-مولینا، سی. پنا-گالاردو، ام. توماس بورگورا، م. دومینگز-کاسترو، اف. مارتین هرناندز، ن. بگریا، اس. ال کناوی، ا. نوگورا، آی. گارسیا، ام. ارزیابی فضایی با وضوح بالا از اثرات تنوع خشکسالی بر فعالیت پوشش گیاهی در اسپانیا از سال ۱۹۸۱ تا ۲۰۱۵ . سیستم خطرات زمین. علمی ۲۰۱۹ ، ۱۹ ، ۱۱۸۹-۱۲۱۳٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  45. دای، A. خشکسالی تحت گرمایش جهانی: بررسی. وایلی اینتردیسیپ. Rev.-Clim. چانگ. ۲۰۱۱ ، ۲ ، ۴۵-۶۵٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  46. وانگ، اچ. او، بی. ژانگ، ی. هوانگ، ال. چن، ز. لیو، جی. پاسخ بهره وری اکوسیستم به شرایط خشک / مرطوب نشان داده شده توسط شاخص های مختلف خشکسالی. علمی کل محیط. ۲۰۱۸ ، ۶۱۲ ، ۳۴۷-۳۵۷٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
  47. گروبر، آ. اسکنلون، تی. ون در شالی، آر. واگنر، دبلیو. Dorigo، W. تکامل سوابق داده های آب و هوای رطوبت خاک esa cci و روش ادغام اساسی آنها. سیستم زمین علمی داده‌های ۲۰۱۹ ، ۱۱ ، ۷۱۷–۷۳۹٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  48. دوریگو، دبلیو. واگنر، دبلیو. آلبرگل، سی. آلبرشت، اف. بالسامو، جی. بروکا، ال. چانگ، دی. ارتل، م. فورکل، ام. گروبر، آ. و همکاران رطوبت خاک Esa cci برای درک بهتر سیستم زمین: پیشرفته ترین و جهت گیری های آینده. سنسور از راه دور محیط. ۲۰۱۷ ، ۲۰۳ ، ۱۸۵-۲۱۵٫ [ Google Scholar ] [ CrossRef ]
  49. گروبر، آ. دوریگو، WA; کلاغ، دبلیو. واگنر، دبلیو. ادغام سه‌گانه هم‌آهنگی بازیابی‌های رطوبت خاک ماهواره‌ای. IEEE Trans. Geosci. Remote Sens. ۲۰۱۷ , ۵۵ , ۶۷۸۰–۶۷۹۲٫ [ Google Scholar ] [ CrossRef ]
  50. سان، ایکس. لی، بی. دو، ز. لی، جی. فن، ز. وانگ، ام. یو، تی. مدل‌سازی سطح زیست توده جنگلی بر اساس سنجش از دور و داده‌های موجودی جنگل. Geocarto Int. ۲۰۱۹ ، ۱-۱۶٫ [ Google Scholar ] [ CrossRef ]
  51. لیاو، ا. وینر، ام. طبقه بندی و رگرسیون توسط جنگل تصادفی. R News ۲۰۰۲ , ۲۳ , ۱۸-۲۲٫ [ Google Scholar ]
  52. جاواکس، م. شرودر، تی. وندربرگت، جی. Vereecken، H. استفاده از یک رویکرد مدل سازی دقیق سه بعدی برای پیش بینی جذب آب ریشه. Vadose Zone J. ۲۰۰۸ , ۷ , ۱۰۷۹-۱۰۸۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  53. زو، اچ. گائو، جی. فو، ب. رابطه بین اکوسیستم مرتع و آب خاک در مناطق خشک و نیمه خشک: بررسی. Acta Ecol. گناه ۲۰۱۶ ، ۳۶ ، ۳۱۲۷-۳۱۳۶٫ [ Google Scholar ]
  54. کویرینگ، اس ام. گانش، س. ارزیابی سودمندی شاخص وضعیت پوشش گیاهی (vci) برای پایش خشکسالی هواشناسی در تگزاس. کشاورزی برای. هواشناسی ۲۰۱۰ ، ۱۵۰ ، ۳۳۰-۳۳۹٫ [ Google Scholar ] [ CrossRef ]
  55. چن، اچ. زو، س. پنگ، سی. وو، ن. وانگ، ی. نیش، ایکس. گائو، ی. زو، دی. یانگ، جی. تیان، جی. و همکاران اثرات تغییرات آب و هوا و فعالیت های انسانی بر چرخه های بیوژئوشیمیایی در فلات چینگهای-تبت گلوب. چانگ. Biol. ۲۰۱۳ ، ۱۹ ، ۲۹۴۰-۲۹۵۵٫ [ Google Scholar ] [ CrossRef ]
  56. جنرال الکتریک، آر. او، اچ. رن، ایکس. ژانگ، ال. لی، پی. زنگ، ن. یو، جی. ژانگ، ال. یو، اس.-ی. ژانگ، اف. و همکاران یک مدل مبتنی بر ماهواره برای شبیه سازی تنفس اکوسیستم در مراتع تبت و درونی مغولستان Remote Sens. ۲۰۱۸ , ۱۰ , ۱۴۹٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  57. وانگ، اچ. راجرز، جی سی. Munroe، DK معمولاً از شاخص های خشکسالی به عنوان شاخص رطوبت خاک در چین استفاده می شود. J. Hydrometeorol. ۲۰۱۵ ، ۱۶ ، ۱۳۹۷–۱۴۰۸٫ [ Google Scholar ] [ CrossRef ]
  58. خو، اچ. ژائو، سی. وانگ، X. تمایز فضایی و زمانی پاسخ تولید اولیه ناخالص زمینی به محدودیت‌های آب و هوایی در یک اکوسیستم کوهستانی خشک در شمال غربی چین. کشاورزی برای. هواشناسی ۲۰۱۹ ، ۲۷۶–۲۷۷ ، ۱۰۷۶۲۸٫ [ Google Scholar ] [ CrossRef ]
  59. Buis، A. GeoCarb: نمایی جدید از کربن در قاره آمریکا. در دسترس آنلاین: https://www.nasa.gov/feature/jpl/geocarb-a-new-view-of-carbon-over-the-americas (در ۱۸ آوریل ۲۰۱۹ قابل دسترسی است).
  60. کوهلر، پی. فرانکنبرگ، سی. Magney، TS; گوانتر، ال. جوینر، جی. Landgraf، J. بازیابی جهانی فلورسانس کلروفیل ناشی از خورشید با TROPOMI: اولین نتایج و مقایسه بین حسگر با OCO-2. ژئوفیز. Res. Lett. ۲۰۱۸ ، ۴۵ ، ۴۵۶-۴۶۳٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  61. دروش، ام. مورنو، جی. بلو، UD; فرانکو، آر. گولاس، ی. هوث، ا. کرافت، اس. میدلتون، EM; میگلیتا، اف. محمد، جی. و همکاران مفهوم ماموریت کاوشگر فلورسانس-کاوشگر زمین ESA 8. IEEE Trans. Geosci. Remote Sens. ۲۰۱۷ ، ۵۵ ، ۱۲۷۳-۱۲۸۴٫ [ Google Scholar ] [ CrossRef ]
  62. بادگلی، جی. فیلد، CB; بری، JA Canopy بازتاب نزدیک مادون قرمز و فتوسنتز زمینی. علمی Adv. ۲۰۱۷ , ۳ , e1602244. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  63. لی، ایکس. Xiao, J. محصول جهانی ۰٫۰۵ درجه فلورسانس کلروفیل ناشی از خورشید که از داده های oco-2، modis و تجزیه و تحلیل مجدد به دست آمده است. Remote Sens. ۲۰۱۹ , ۱۱ , ۵۱۷٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Ijgi 09 00542 g001 550
شکل ۱٫ موقعیت جغرافیایی منطقه مورد مطالعه.
Ijgi 09 00542 g002 550
شکل ۲٫ مقادیر r بین فلورسانس کلروفیل ناشی از خورشید (SIF) و شاخص تبخیر و تعرق بارندگی استاندارد (SPEI) برای علفزارهای معتدل و مراتع آلپ زیر ۱ ماه ( a )، ۳ ماه ( b )، ۶ ماه ( c )، ۹ ماه ( د ) و ۱۲ ماه ( ه ). همه ضرایب همبستگی گزارش شده از نظر آماری معنی دار هستند ( p values ​​<0.05).
Ijgi 09 00542 g003 550
شکل ۳٫ توزیع فضایی و زمانی ضرایب همبستگی بین SIF و مقیاس زمانی سه ماهه SPEI (SPEI-3). پیکسل‌های با رنگ سفید به معنای داده‌های غیر علفزار یا مفقود هستند.
Ijgi 09 00542 g004 550
شکل ۴٫ ضرایب همبستگی بین SIF و ( الف ) شاخص شدت خشکسالی پالمر PDSI، ( ب ) رطوبت خاک، ( ج ) شاخص وضعیت دما (TCI)، و ( د ) کمبود فشار بخار (VPD) برای مراتع معتدل و مراتع آلپ. همه ضرایب همبستگی گزارش شده از نظر آماری معنی دار هستند ( p values ​​<0.05).
Ijgi 09 00542 g005 550
شکل ۵٫ توزیع فضایی و زمانی ضرایب همبستگی بین SIF و PDSI در هر ماه از فصل رشد. پیکسل‌های با رنگ سفید به معنای داده‌های غیر علفزار یا مفقود هستند.
Ijgi 09 00542 g006 550
شکل ۶٫ توزیع فضایی و زمانی ضرایب همبستگی بین SIF و رطوبت خاک (SM) در هر ماه از فصل رشد. پیکسل‌های با رنگ سفید به معنای داده‌های غیر علفزار یا مفقود هستند.
Ijgi 09 00542 g007 550
شکل ۷٫ توزیع فضایی و زمانی ضرایب همبستگی بین SIF و TCI در هر ماه از فصل رشد. پیکسل‌های با رنگ سفید به معنای داده‌های غیر علفزار یا مفقود هستند.
Ijgi 09 00542 g008 550
شکل ۸٫ توزیع فضایی و زمانی ضرایب همبستگی بین SIF و VPD در هر ماه از فصل رشد. پیکسل‌های با رنگ سفید به معنای داده‌های غیر علفزار یا مفقود هستند.
Ijgi 09 00542 g009 550
شکل ۹٫ مقایسه ضرایب همبستگی بین متغیرهای SIF و خشکسالی در هر ماه از فصل رشد برای مراتع معتدل. نماد × نشان دهنده همبستگی های معنی دار است (۰٫۰۱ < P < 0.05). همبستگی بدون نماد × در سطح ۱ درصد معنی دار بود.
Ijgi 09 00542 g010 550
شکل ۱۰٫ مقایسه ضرایب همبستگی بین متغیرهای SIF و خشکسالی در هر ماه از فصل رشد برای مراتع آلپ. نماد × نشان دهنده همبستگی های معنی دار است (۰٫۰۱ < P < 0.05). همبستگی بدون نماد × در سطح ۱ درصد معنی دار بود.
Ijgi 09 00542 g011a 550 Ijgi 09 00542 g011b 550
شکل ۱۱٫ اهمیت هشت عامل برای تفسیر همبستگی بین SIF ماهواره و ( الف ) SPEI، ( ب ) PDSI، ( ج ) SM، و ( د ) VPD. Temp_Mean، Temp_Max، Temp_min و LST به ترتیب میانگین دما، حداکثر دما، حداقل دما، دمای سطح زمین را نشان می دهند.

ونوس نصیرفام

مقالات

فیسبوکتوئیترپینترسترددیتDeliciousلینکدینواتس اپتلگرامایمیل

نوشته های مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

خانهدربارهتماسارتباط با ما