اخبار و اعلانات

 آمار

تعداد نشریات285
تعداد نشریات سازمان83
تعداد شماره‌ها3,094
تعداد مقالات34,531
تعداد مشاهده مقاله49,366,845
تعداد دریافت فایل اصل مقاله79,811,370
خوارزمی, رسول, نویدی, میرناصر. (1404). پایش تغییرات سلامت پوشش‌گیاهی اراضی کشاورزی با استفاده از داده‌های سنجش از دور در استان البرز. سامانه مدیریت نشریات علمی, 39(2), 171-188. doi: 10.22092/ijsr.2025.370243.784
رسول خوارزمی; میرناصر نویدی. "پایش تغییرات سلامت پوشش‌گیاهی اراضی کشاورزی با استفاده از داده‌های سنجش از دور در استان البرز". سامانه مدیریت نشریات علمی, 39, 2, 1404, 171-188. doi: 10.22092/ijsr.2025.370243.784
خوارزمی, رسول, نویدی, میرناصر. (1404). 'پایش تغییرات سلامت پوشش‌گیاهی اراضی کشاورزی با استفاده از داده‌های سنجش از دور در استان البرز', سامانه مدیریت نشریات علمی, 39(2), pp. 171-188. doi: 10.22092/ijsr.2025.370243.784
خوارزمی, رسول, نویدی, میرناصر. پایش تغییرات سلامت پوشش‌گیاهی اراضی کشاورزی با استفاده از داده‌های سنجش از دور در استان البرز. سامانه مدیریت نشریات علمی, 1404; 39(2): 171-188. doi: 10.22092/ijsr.2025.370243.784

پایش تغییرات سلامت پوشش‌گیاهی اراضی کشاورزی با استفاده از داده‌های سنجش از دور در استان البرز

پژوهش های خاک
مقاله 3، دوره 39، شماره 2، شهریور 1404، صفحه 171-188    اصل مقاله (2.08 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22092/ijsr.2025.370243.784
نویسندگان
رسول خوارزمی* 1؛ میرناصر نویدی2
1استادیار پژوهش، موسسه تحقیقات خاک و آب کشور، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرج، البرز، ایران.
2دانشیار پژوهش، موسسه تحقیقات خاک و آب کشور، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرج، البرز، ایران.
چکیده
پایش سلامت پوشش­گیاهی به‌ویژه در اراضی کشاورزی، نقش کلیدی در ارزیابی پایداری منابع زیستی، بهره‌وری زراعی و مقاومت به تغییرات اقلیمی دارد. در این پژوهش، با بهره‌گیری از داده‌های ماهواره سنتینل-2 (Sentinel-2) و شاخص پوشش گیاهی تفاضلی نرمال‌شده ( NDVI) ، روند تغییرات سلامت پوشش ­گیاهی در استان البرز طی سال‌های 1396 تا 1404 بررسی گردید و پردازش و تحلیل داده‌ها با استفاده از پلتفرم  گوگل ارث انجین (Google Earth Engine) انجام شد. ابتدا تصاویر ماه‌های فروردین و اردیبهشت به‌عنوان بازه اوج رشد پوشش­گیاهی انتخاب شدند. با اعمال ماسک‌گذاری ابر و سایه با استفاده از باند طبقه‌بندی صحنه (Scene Classification Layer)، داده‌ها خالص‌سازی شد و ترکیب میانه سالانه برای هر سال تولید گردید. سپس با استفاده از تحلیل رگرسیون خطی بر اساس سری‌زمانی NDVI، روند تغییرات برای هر پیکسل محاسبه و در پنج طبقه از کاهش شدید، کاهش کم، پایدار، افزایش کم، افزایش شدید طبقه‌بندی شد. نتایج نشان داد که بیش از 80% از اراضی کشاورزی استان در طبقات "کاهش شدید" و "کاهش کم یا جزئی" قرار دارند که بیانگر افت قابل‌توجه در سلامت پوشش­گیاهی طی دوره مطالعه است. تنها 14% از اراضی روند افزایشی را تجربه کردند و 6%  نیز بدون تغییر باقی‌ماندند. این الگو با یافته‌های مطالعات مشابه در مناطق خشک و نیمه‌خشک جهان همخوانی دارد و نشان دهنده فشار شدید اقلیمی و مدیریتی بر منابع کشاورزی است. مناطق محدودی که بهبود در NDVI را نشان داده‌اند، بیانگر الگوهای موفق مدیریتی هستند که می‌توانند برای معکوس‌سازی روند تخریب در مقیاس وسیع‌تر به کار گرفته شوند. نتایج این پژوهش می‌تواند به‌عنوان مبنایی برای تصمیم‌گیری‌های مدیریتی در حوزه برنامه‌ریزی کاربری اراضی، مدیریت منابع آب، و توسعه کشاورزی پایدار در استان البرز و مناطق مشابه استفاده شود. همچنین، تلفیق پایش ماهواره‌ای با بسترهای رایانش ابری، رویکردی مقیاس‌پذیر برای رصد پویایی‌های پوشش گیاهی در مناطقی با محدودیت داده فراهم می‌سازد.
کلیدواژه‌ها
گوگل ارث انجین؛ شاخص پوشش‌گیاهی؛ تغییرات کاربری اراضی؛ رگرسیون خطی؛ ماهواره سنتینل
عنوان مقاله [English]
Monitoring changes in vegetation health of agricultural lands using remote sensing data in Alborz province
نویسندگان [English]
Rasoul Kharazmi1؛ Mirnaser Navidi2
1Assistant Professor, Soil and Water Research Institute, Agricultural Research Education and Extension Organization, Karaj, Alborz, Iran.
2Associate Professor, Soil and Water Research Institute, Agricultural Research Education and Extension Organization, Karaj, Alborz, Iran.
چکیده [English]
Monitoring vegetation health, particularly within agricultural lands, is crucial for assessing ecological sustainability, crop productivity, and climate change resilience. This study investigates the temporal trends of vegetation health in Alborz Province, Iran, from 2017 to 2025 using Sentinel-2 satellite imagery and the Normalized Difference Vegetation Index (NDVI). Data were processed and analyzed on the Google Earth Engine platform. April and May were selected as the peak growing season, and cloud and shadow masking was applied using the Scene Classification Layer (SCL) band. Annual median composites were generated to reduce noise and eliminate the influence of atmospheric disturbances. A per-pixel linear regression was then conducted on the NDVI time series to quantify trends, which were categorized into five classes: strong decrease, slight decrease, stable, slight increase, and strong increase. The results revealed that over 80% of agricultural lands in Alborz Province exhibited a negative trend in NDVI, with 66.5% classified as strong decrease and 16% as slight decrease. Only 14% of the cropland showed positive trends, while 6% remained stable. These patterns reflect a significant degradation in vegetation health across the region. When compared with similar studies conducted in arid and semi-arid regions worldwide, these findings demonstrate consistent vulnerabilities of agricultural systems to climatic stress, water scarcity, and land-use pressures. The limited areas of NDVI improvement suggest potential best practices that could be scaled to reverse degradation trends. This research provides a valuable framework for decision-making in land use planning, water resource management, and sustainable agriculture development. The integration of satellite-based monitoring with cloud-computing platforms offers a scalable approach to track vegetation dynamics in data-scarce regions.
کلیدواژه‌ها [English]
Google Earth Engine, Vegetation Index, Land Use/Land Cover Changes, Linear Regression, Sentinel satellite
مراجع
  1. خوارزمی، رسول، محمداسماعیل،زهرا، چترنور، منصور، 1403. تعیین دامنه تغییرکاربری اراضی استان البرز با استفاده از داده‌های راداری و نوری سنتینل در سامانه گوگل ارث انجین، مدیریت اراضی، 12(2)، 102-89.
  2. شبانی پور، مهرنوش، درویش صفت، علی اصغر، رحمانی، رامین. 1398. تحلیل روند بلندمدت تغییرات پوشش گیاهی با استفاده از سری زمانی MODIS-NDVIمطالعۀ موردی: استان کردستان، نشریه جنگل و فرآورده های چوب، 72(3)، 204-193.
  3. Ahmadi, M., Ghasemi, A., Jafari, R. 2022. Monitoring urban expansion impacts on vegetation health in peri-urban areas of Iran using Sentinel-2 and EVI. Journal of Applied Remote Sensing, 16(3), 034502.
  4. Bahrami, M., Sarmadian, F., & Pazira, E. 2024. Integrating AHP (Analytic Hierarchy Process) and GIS (Geographic Information System) for precision land use planning and ecological capacity assessment in Alborz Province, Iran. EQA - International Journal of Environmental Quality, 64, 48–67.
  5. Bannari, A., Morin, D., Bonn, F. and Huete, A., 1995. A review of vegetation indices. Remote sensing reviews, 13(1-2), pp.95-120.
  6. Baret, F. and Guyot, G., 1991. Potentials and limits of vegetation indices for LAI and APAR assessment. Remote sensing of environment, 35(2-3), pp.161-173.
  7. Bento, V.A., Gouveia, C.M., DaCamara, C.C., Libonati, R. and Trigo, I.F., 2020. The roles of NDVI and Land Surface Temperature when using the Vegetation Health Index over dry regions. Global and Planetary Change, 190, p.103198.
  8. Candra, D.S., Phinn, S. and Scarth, P., 2020. Cloud and cloud shadow masking for Sentinel-2 using multitemporal images in global area. International Journal of Remote Sensing, 41(8), pp.2877-2904.
  9. Chen, Y., Wang, J., & Li, X. (2023). Assessing the impact of land use change on ecosystem services using Sentinel-1 and Sentinel-2 data. Remote Sensing of Environment, 286, 113445.
  10. Deng, L., Mao, Z., Li, X., Hu, Z., Duan, F. and Yan, Y., 2018. UAV-based multispectral remote sensing for precision agriculture: A comparison between different cameras. ISPRS journal of photogrammetry and remote sensing, 146, pp.124-136.
  11. Fakhri, S. A., Latifi, H., & Mohammadi, J. (2022). Integration of Sentinel-1 and Sentinel-2 data for improved forest health monitoring. Remote Sensing Applications: Society and Environment, 25, 100678. Fu, Y., Huang, J., & Zhang, X. (2020). Assessing the impact of urbanization on vegetation cover using Landsat-based NDVI in agricultural regions. Journal of Environmental Management, 268, 110658.
  12. Gascon, F., Bouzinac, C., Thépaut, O., Jung, M., Francesconi, B., Louis, J., Lonjou, V., Lafrance, B., Massera, S., Gaudel-Vacaresse, A. and Languille, F., 2017. Copernicus Sentinel-2A calibration and products validation status. Remote Sensing, 9(6), p.584.
  13. Giovos, R., Tassopoulos, D., Kalivas, D., Lougkos, N. and Priovolou, A., 2021. Remote sensing vegetation indices in viticulture: A critical review. Agriculture, 11(5), p.457.
  14. Hu, Y., Raza, A., Syed, N.R., Acharki, S., Ray, R.L., Hussain, S., Dehghanisanij, H., Zubair, M. and Elbeltagi, A., 2023. Land use/land cover change detection and NDVI estimation in Pakistan’s Southern Punjab Province. Sustainability, 15(4), p.3572.
  15. Jiang, L., Liu, Y., Wu, S. and Yang, C., 2021. Analyzing ecological environment change and associated driving factors in China based on NDVI time series data. Ecological indicators, 129, p.107933.
  16. Kharazmi, R., MohammadEsmail, Z., Chatrenour, M. (2025). 'Using Sentinel radar and optical data in the Google Earth Engine platform to determine the extent of land use changes in Alborz Province', Land Management Journal, 12(2), pp. 89-102
  17. Kumar, P., Sahani, R., & Kumar, S. (2021). Impact of land use change on soil moisture and vegetation health using NDWI and Sentinel-2 data. Ecological Indicators, 125, 107539.
  18. Lan, S., & Dong, Z. (2022). Incorporating Vegetation Type Transformation with NDVI Time-Series to Study the Vegetation Dynamics in Xinjiang. Sustainability, 14(1), 582.
  19. Liu, X., Zhang, Y., & Wang, L. (2021). Evaluating the effectiveness of farmland protection policies using MODIS and VHI. Land Use Policy, 108, 105584
  20. Louis, J., Pflug, B., Main-Knorn, M., Debaecker, V., Mueller-Wilm, U., Iannone, R.Q., Cadau, E.G., Boccia, V. and Gascon, F., 2019, July. Sentinel-2 global surface reflectance level-2A product generated with Sen2Cor. In IGARSS 2019-2019 IEEE International Geoscience and Remote Sensing Symposium(pp. 8522-8525). IEEE.
  21. Maxwell, A.E., Warner, T.A. and Fang, F., 2018. Implementation of machine-learning classification in remote sensing: An applied review. International journal of remote sensing, 39(9), pp.2784-2817.
  22. Nikpour, N., Negaresh, H., Fotoohi, S., Hosseini, S. Z., & Bahrami, S. (2019). Monitoring the trend of vegetation changes one of the most important indicators of land degradation (in Ilam province). Journal of Spatial Analysis Environmental Hazards, 5(4), 21-48.
  23. Nikpour, N., Negaresh, H., Fotoohi, S., Hosseini, S.Z. and Bahrami, S., 2019. Monitoring the trend of vegetation changes one of the most important indicators of land degradation (in Ilam province).
  24. Nuthammachot, N., Askar, A., Stratoulias, D. and Wicaksono, P., 2022. Combined use of Sentinel-1 and Sentinel-2 data for improving above-ground biomass estimation. Geocarto International, 37(2), pp.366-376.
  25. Pandey, P.C. and Sharma, L.K. eds., 2021. Advances in remote sensing for natural resource monitoring. John Wiley & Sons.
  26. Park TaeJin, P.T., Chen Chi, C.C., Macias-Fauria, M., Tømmervik, H., Choi SungHo, C.S., Winkler, A., Bhatt, U.S., Walker, D.A., Piao ShiLong, P.S., Brovkin, V. and Nemani, R.R., 2019. Changes in timing of seasonal peak photosynthetic activity in northern ecosystems.
  27. Raiyani, K., Gonçalves, T., Rato, L., Salgueiro, P. and Marques da Silva, J.R., 2021. Sentinel-2 image scene classification: A comparison between Sen2Cor and a machine learning approach. Remote Sensing, 13(2), p.300.
  28. Rezaei, H., Mehrabi, B., Khanmirzaee, A. and Shahbazi, K., 2021. Arsenic heavy metal mapping in agricultural soils of Alborz province, Iran. International Journal of Environmental Analytical Ch Khan, A., Alamgir, A. and Fatima, N., 2025. Spatiotemporal analysis of land use and land cover changes, LST and NDVI in Thatta district, Sindh, Pakistan. Kuwait Journal of Science, 52(1), p.100326. emistry, 101(1), pp.127-139.
  29. Thenkabail, P. S., & Lyon, J. G. (2020). Advances in remote sensing for agriculture and natural resource management. Remote Sensing, 12(24), 4032.
  30. West, H., Quinn, N. and Horswell, M., 2019. Remote sensing for drought monitoring & impact assessment: Progress, past challenges and future opportunities. Remote Sensing of Environment, 232, p.111291.
  31. Yoon, H. and Kim, S., 2020. Detecting abandoned farmland using harmonic analysis and machine learning. ISPRS Journal of Photogrammetry and Remote Sensing, 166, pp.201-212.
  32. Zanaga, D., Van De Kerchove, R., De Keersmaecker, W., Souverijns, N., Brockmann, C., Quast, R., Wevers, J., Grosu, A., Paccini, A., Vergnaud, S., Cartus, O., Santoro, M., Fritz, S., Georgieva, I., Lesiv, M., Carter, S., Herold, M., Li, Linlin, Tsendbazar, N.E., Ramoino, F., Arino, O., 2021. ESA WorldCover 10 m 2020 v100
  33. Zekoll, V., Main-Knorn, M., Alonso, K., Louis, J., Frantz, D., Richter, R. and Pflug, B., 2021. Comparison of masking algorithms for sentinel-2 imagery. Remote Sensing, 13(1), p.137.
  34. Zhang, X., Chen, N., Li, J., & Chen, Z. (2020). Multi-sensor integrated framework for vegetation health monitoring using machine learning. Remote Sensing, 12(15), 2456.
  35. Zhen, Z., Chen, S., Qin, W., Yan, G., Gastellu-Etchegorry, J.P., Cao, L., Murefu, M., Li, J. and Han, B., 2020. Potentials and limits of vegetation indices with brdf signatures for soil-noise resistance and estimation of leaf area index. IEEE Transactions on Geoscience and Remote Sensing, 58(7), pp.5092-5108.
  36. Zhen, Z., Chen, S., Qin, W., Yan, G., Gastellu-Etchegorry, J.P., Cao, L., Murefu, M., Li, J. and Han, B., 2020. Potentials and limits of vegetation indices with brdf signatures for soil-noise resistance and estimation of leaf area index. IEEE Transactions on Geoscience and Remote Sensing, 58(7), pp.5092-5108.
آمار
تعداد مشاهده مقاله: 874
تعداد دریافت فایل اصل مقاله: 642


counter
سامانه مدیریت نشریات علمی. طراحی و پیاده سازی از سیناوب