آمار

تعداد نشریات15
تعداد شماره‌ها246
تعداد مقالات2,509
تعداد مشاهده مقاله4,499,806
تعداد دریافت فایل اصل مقاله3,316,666
قدسی فر, امیر, میلان, اصغر, عزیزی, زهرا. (1405). پایش اکولوژیکی و تحلیل تغییرات زمانی پوشش گیاهی با استفاده از شاخص NDVI و داده‌های سنجش از دور (مطالعه موردی: پارک ملی گلستان). فناوری آموزش, (), -. doi: 10.22061/jrsgr.2026.13034.1122
امیر قدسی فر; اصغر میلان; زهرا عزیزی. "پایش اکولوژیکی و تحلیل تغییرات زمانی پوشش گیاهی با استفاده از شاخص NDVI و داده‌های سنجش از دور (مطالعه موردی: پارک ملی گلستان)". فناوری آموزش, , , 1405, -. doi: 10.22061/jrsgr.2026.13034.1122
قدسی فر, امیر, میلان, اصغر, عزیزی, زهرا. (1405). 'پایش اکولوژیکی و تحلیل تغییرات زمانی پوشش گیاهی با استفاده از شاخص NDVI و داده‌های سنجش از دور (مطالعه موردی: پارک ملی گلستان)', فناوری آموزش, (), pp. -. doi: 10.22061/jrsgr.2026.13034.1122
قدسی فر, امیر, میلان, اصغر, عزیزی, زهرا. پایش اکولوژیکی و تحلیل تغییرات زمانی پوشش گیاهی با استفاده از شاخص NDVI و داده‌های سنجش از دور (مطالعه موردی: پارک ملی گلستان). فناوری آموزش, 1405; (): -. doi: 10.22061/jrsgr.2026.13034.1122

پایش اکولوژیکی و تحلیل تغییرات زمانی پوشش گیاهی با استفاده از شاخص NDVI و داده‌های سنجش از دور (مطالعه موردی: پارک ملی گلستان)

پژوهش های سنجش از دور و اطلاعات مکانی
مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 06 آبان 1405
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22061/jrsgr.2026.13034.1122
نویسندگان
امیر قدسی فر؛ اصغر میلان* ؛ زهرا عزیزی
دانشکده مهندسی عمران، آب و محیط زیست، دانشگاه شهید بهشتی، تهران، ایران
تاریخ دریافت: 14 فروردین 1405،  تاریخ بازنگری: 21 شهریور 1405،  تاریخ پذیرش: 06 آبان 1405 
چکیده
پیشینه و اهداف: پایش تغییرات زمانی و مکانی پوشش گیاهی یکی از ابزارهای مهم در ارزیابی وضعیت اکوسیستم‌های طبیعی و برنامه‌ریزی برای مدیریت مناطق حفاظت‌شده است. داده‌های سنجش از دور با فراهم‌کردن امکان پایش پیوسته پوشش گیاهی، قابلیت بررسی تغییرات در مقیاس‌های زمانی و مکانی مختلف را فراهم می‌کنند. پارک ملی گلستان به‌دلیل تنوع زیستی و گستره قابل‌توجه زیستگاه‌های طبیعی، از مناطق مهم برای پایش تغییرات پوشش گیاهی در ایران محسوب می‌شود. هدف این پژوهش، بررسی تغییرات زمانی و مکانی پوشش گیاهی پارک ملی گلستان طی دوره ۲۰۱۵ تا ۲۰۲۵ و ارزیابی ارتباط آماری آن با بارش، دمای هوا و دمای سطح زمین بود.
روش‌ها‌: در این پژوهش، تصاویر Landsat 8 و Landsat 9 با تفکیک مکانی ۳۰ متر در محیط Google Earth Engine پردازش و شاخص نرمال‌شده تفاوت پوشش گیاهی (NDVI) برای تمامی تصاویر محاسبه شد. پس از تهیه ترکیب سالانه، میانگین منطقه‌ای NDVI برای هر یک از سال‌های ۲۰۱۵ تا ۲۰۲۵ استخراج شد و نقشه‌های NDVI سال‌های ۲۰۱۵، ۲۰۱۹، ۲۰۲۳ و ۲۰۲۵ و نقشه تفاضلی بین سال‌های ۲۰۱۵ و ۲۰۲۵ تهیه گردید. همچنین، بارش تجمعی سالانه از داده‌های  CHIRPS، میانگین سالانه دمای هوا از ERA5-Land و میانگین سالانه دمای سطح زمین از محصول MODIS MOD11A2  استخراج شد. برای تحلیل داده‌های ۱۱ ساله، آمار توصیفی، آزمون Mann–Kendall، برآوردگر شیب Sen، رگرسیون خطی و ضرایب همبستگی Pearson و Spearman به‌کار گرفته شد.
یافته‌ها: میانگین NDVI در دوره مورد مطالعه ۰.۲۲۷ و ضریب تغییرات آن ۱۱.۵۶ درصد به دست آمد. مقایسه سال‌های ۲۰۱۵ و ۲۰۲۵ نشان داد که NDVI حدود ۵.۵۶ درصد کاهش داشته است، اما آزمون Mann–Kendall روند کاهشی معنی‌داری را تأیید نکرد. دمای هوا دارای روند افزایشی و بارش و دمای سطح زمین دارای روند کاهشی بودند، ولی این روندها نیز در سطح معنی‌داری ۰.۰۵ معنی‌دار نبودند. در میان روابط بررسی‌شده، رابطه NDVI و دمای هوا منفی و از نظر آماری معنی‌دار بود (Pearson: ). رابطه NDVI با بارش مثبت بود ( )، اما به سطح معنی‌داری نرسید و رابطه NDVI با LST نیز منفی و غیرمعنی‌دار بود ( ). نقشه تفاضلیNDVI  نیز نشان‌دهنده وجود هم‌زمان نواحی دارای افزایش و کاهش نسبی NDVI در بخش‌های مختلف پارک بود.
نتیجه‌گیری: نتایج نشان داد که پوشش گیاهی پارک ملی گلستان طی دوره ۲۰۱۵ تا ۲۰۲۵ دارای نوسانات بین‌سالی و تغییرات مکانی بوده است، اما بر اساس سری زمانی مورد بررسی، شواهد آماری کافی برای تأیید یک روند کاهشی معنی‌دار در کل پارک وجود نداشت. در عین حال، ارتباط منفی و معنی‌دار NDVI با دمای هوا نشان‌دهنده همراهی تغییرات این دو متغیر در مقیاس سالانه بود، هرچند این رابطه به‌تنهایی بیانگر رابطه علّی نیست. نقشه‌های NDVI و نقشه تفاضلی می‌توانند به‌عنوان ابزار پایش اولیه برای شناسایی نواحی دارای تغییر و اولویت‌بندی بررسی‌های میدانی مورد استفاده قرار گیرند. پیشنهاد می‌شود در مطالعات آینده با افزایش طول دوره آماری، استفاده از داده‌های ماهانه یا فصلی، بررسی تأخیر زمانی بارش و NDVI و بهره‌گیری از داده‌های میدانی و لایه‌های مکمل، عوامل مؤثر بر تغییرات پوشش گیاهی با دقت بیشتری بررسی شوند.
کلیدواژه‌ها
تغییرات زمانی؛ پوشش گیاهی؛ تخریب محیط زیست؛ تنوع زیستی؛ پایداری اکولوژیکی
عنوان مقاله [English]
Ecological monitoring and analysis of temporal changes in vegetation cover using NDVI index and remote sensing data (Case study: Golestan National Park)
نویسندگان [English]
A. Ghodsifar؛ A. Milan؛ Z. Azizi
Faculty of Civil, Water and Environmental Engineering, Shahid Beheshti University, Tehran, Iran
چکیده [English]
Background and Objectives: Monitoring the spatial and temporal changes in vegetation cover is an important tool for assessing the condition of natural ecosystems and planning the management of protected areas. Remote sensing data provide the capability for continuous vegetation monitoring and enable the assessment of changes across different spatial and temporal scales. Golestan National Park, owing to its high biodiversity and considerable extent of natural habitats, is one of the important areas in Iran for monitoring vegetation changes. This study aimed to investigate the spatial and temporal changes in vegetation cover in Golestan National Park during 2015–2025 and to assess their statistical relationships with precipitation, air temperature, and land surface temperature.
Methods: In this study, Landsat 8 and Landsat 9 images with a spatial resolution of 30 m were processed in the Google Earth Engine environment, and the Normalized Difference Vegetation Index (NDVI) was calculated for all images. After generating annual composites, the spatial mean of NDVI was extracted for each year from 2015 to 2025. NDVI maps for 2015, 2019, 2023, and 2025, as well as a difference map between 2015 and 2025, were also generated. In addition, annual cumulative precipitation was derived from CHIRPS data, annual mean air temperature from ERA5-Land, and annual mean land surface temperature (LST) from the MODIS MOD11A2 product. Descriptive statistics, the Mann–Kendall test, Sen’s slope estimator, linear regression, and Pearson and Spearman correlation coefficients were applied to analyze the 11-year time series.
Findings: The mean NDVI over the study period was 0.227, with a coefficient of variation of 11.56%. Comparison of 2015 and 2025 indicated an approximately 5.56% decrease in NDVI; however, the Mann–Kendall test did not confirm a statistically significant decreasing trend. Air temperature showed an increasing trend, whereas precipitation and land surface temperature exhibited decreasing trends; however, none of these trends was statistically significant at the 0.05 significance level. Among the relationships examined, the relationship between NDVI and air temperature was negative and statistically significant (Pearson: …). The relationship between NDVI and precipitation was positive (…), but did not reach statistical significance. The relationship between NDVI and LST was also negative and statistically non-significant (…). The NDVI difference map revealed the simultaneous occurrence of areas with relative increases and decreases in NDVI across different parts of the park.
Conclusion: The results showed that vegetation cover in Golestan National Park experienced interannual fluctuations and spatial variations during 2015–2025; however, based on the analyzed time series, there was insufficient statistical evidence to confirm a significant decreasing trend across the entire park. At the same time, the significant negative relationship between NDVI and air temperature indicated a statistical association between variations in these two variables at the annual scale, although this relationship alone does not imply causality. The NDVI maps and difference map can be used as preliminary monitoring tools for identifying areas experiencing changes and for prioritizing field investigations. Future studies are recommended to extend the length of the statistical record, use monthly or seasonal data, investigate the time-lagged relationship between precipitation and NDVI, and incorporate field observations and complementary spatial layers to provide a more accurate assessment of the factors influencing vegetation changes.
کلیدواژه‌ها [English]
Temporal Variations, Vegetation Cover, Environmental Degradation, Biodiversity, Ecological Sustainability
مراجع

[1] Abulibdeh A. The role of protected areas in modulating vegetation response to climatic stressors in hyper-arid ecosystems. Journal for Nature Conservation. 2025;89:127081.

https://doi.org/10.1016/j.jnc.2025.127081

[2] Akbarzadeh P, Nikoo, Akbarzadeh M. Investigating Spatial and Temporal Changes in Vegetation via Remote Sensing Indicators and Revealing Their Trends in The Central Desert of Iran. 2025. https://doi.org/10.35762/AER.2025024

[3] Aktürk E. Seasonal Vegetation Trends in Biomes of Türkiye: A Decade-Long Analysis Using NDVI Time Series. Bartın Orman Fakültesi Dergisi. 2024.

https://doi.org/10.24011/barofd.1468085

[4] Alemayehu B, Suarez-Minguez J, Rosette J, Khan SA. Vegetation Trend Detection Using Time Series Satellite Data as Ecosystem Condition Indicators for Analysis in the Northwestern Highlands of Ethiopia. Remote Sensing [Internet]. 2023; 15(20):[5032 p.]. https://doi.org/10.3390/rs15205032

[5] Alizadeh M, Jafari R. Investigation of vegetation trend changes in the bioclimates of Isfahan Province under the influence of climatic parameters. Arid Biom. 2024;14(2):19–33.

doi:10.29252/aridbiom.2025.21660.2013. Persian.

[6] Arkhi S, Barzegar Savāsari M, Suri Zāei N, Eshqi B. Investigation of the correlation between vegetation indices in drought analysis using MODIS images (case study: Qom, Isfahan, Chaharmahal and Bakhtiari, and Markazi provinces). Desert Ecosystem Engineering. 2024;12(41):1–20.

doi:10.22052/deej.2024.254106.1039. Persian.

[7] Fensholt R, Horion S, Tagesson T, Ehammer A, Ivits E, Rasmussen K. Global-scale mapping of changes in ecosystem functioning from earth observation-based trends in total and recurrent vegetation. Global Ecology and Biogeography. 2015;24.

https://doi.org/10.1111/geb.12338

[8] Ghaffarian Malmiri H, Zare Khormizi H. Investigation of vegetation changes in Iran using NOAA-AVHRR NDVI time series and harmonic analysis of time series (HANTS). Sepehr (Geographical Information). 2020;29(113):141–158.

doi:10.22131/sepehr.2020.40476. Persian.

[9] Gao C, Ren X, Fan L, He H, Zhang L, Zhang X, et al. Assessing the Vegetation Dynamics and Its Influencing Factors in Central Asia from 2001 to 2020. Remote Sensing [Internet]. 2023; 15(19):[4670 p.]. https://doi.org/10.3390/rs15194670

[10] Gong E, Ma Z, Wang Z, Zhang J. Spatiotemporal Dynamics of Vegetation Productivity and Its Response to Meteorological Factors in China. Atmosphere [Internet]. 2024; 15(4):[491 p.]. https://doi.org/10.3390/atmos15040491

[11] Hussien K, Kassa A, Amera A, Beza S, Haile Erena S. Spatiotemporal trends of NDVI and its response to climate variability in the Abbay River Basin, Ethiopia. Heliyon. 2023;9:e14113. https://doi.org/10.1016/j.heliyon.2023.e14113

[12] Jafari R, Lewis M, Ostendorf B. Evaluation of vegetation indices for assessing vegetation cover in southern arid lands in South Australia. Rangeland Journal - RANGELAND J. 2007;29.

https://doi.org/10.1071/RJ06033

[13] Jahadi R, Safidi K. Analysis of vegetation trend and ecosystem health monitoring using remote sensing (case study: Fandoghlu region). Iranian Journal of Forest. 2024;16(2):291–310. [In Persian] doi:10.22034/ijf.2024.411977.1940

[14] Jin C. Remote sensing and meteorological data-driven prediction of seasonal changes and optimization of urban roadside plant landscape configuration. Environmental Systems Research. 2025;14. https://doi.org/10.1186/s40068-025-00426-2

[15] Jong R, Schaepman M, Furrer R, de Bruin S, Verburg P. Spatial relationship between climatologies and changes in global vegetation activity. Global change biology. 2013;19.

https://doi.org/10.1111/gcb.12193

[16] Li L, Xia R, Dou M, Ling M, Li G, Wang C, et al. Integrating landsat NDVI data with climate and anthropogenic factors reveals drivers of vegetation dynamics in the semi-arid Basin of Western China. Scientific Reports. 2025;15.

https://doi.org/10.1038/s41598-025-02360-w

[17] Li L, Xin X, Zhao J, Yang A, Wu S, Zhang H, et al. Remote Sensing Monitoring and Assessment of Global Vegetation Status and Changes during 2016–2020. Sensors [Internet]. 2023; 23(20):[8452 p.]. https://doi.org/10.3390/s23208452

[18] Li M, Cao S, Zhu Z. Spatiotemporally consistent global dataset of the GIMMS Normalized Difference Vegetation Index (PKU GIMMS NDVI) from 1982 to 20202023.

https://doi.org/10.5194/essd-15-4181-2023

[19] Lu Y, Yu Y, Sun L, Li C, He J, Zengkun G, et al. NDVI based vegetation dynamics and responses to climate change and human activities at Xinjiang from 2001 to 2020. Scientific Reports. 2025;15. https://doi.org/10.1038/s41598-025-11677-5

[20] Matas-Granados L, Pizarro M, Cayuela L, Domingo D, Gomez D, García M. Long-term monitoring of NDVI changes by remote sensing to assess the vulnerability of threatened plants. Biological Conservation. 2022;265:109428.

https://doi.org/10.1016/j.biocon.2021.109428

[21] Mehmood K, Anees S, Muhammad S, Hussain K, Shahzad F, Liu Q, et al. Analyzing vegetation health dynamics across seasons and regions through NDVI and climatic variables. Scientific Reports. 2024;14. https://doi.org/10.1038/s41598-024-62464-7

[22] Qian C, Shao L, Hou X, Zhang B, Chen W, Xia X. Detection and attribution of vegetation greening trend across distinct local landscapes under China's Grain to Green Program: A case study in Shaanxi Province. Catena. 2019;183:104182.

https://doi.org/10.1016/j.catena.2019.104182

[23] Rahman G, Farooq U, Jung M-K, Kwon H-H. Spatiotemporal vegetation dynamics in South Asia (2001-2023): roles of climate and anthropogenic activities. Geoscience Letters. 2025;12. https://doi.org/10.1186/s40562-025-00403-8

[24] Rahmi Ma, Parikesit P, Withaningsih S. Vegetation change analysis using Normalized Difference Vegetation Index (NDVI) in Sumedang Regency. E3S Web of Conferences. 2024;495. https://doi.org/10.1051/e3sconf/202449502007

[25] Sarli R, Roshan G, Garb A. Assessment and prediction of vegetation changes in Mazandaran Province during 2005–2017 using Markov chain and GIS. Sepehr (Geographical Information). 2019;28(111):149–162. [In Persian]

doi:10.22131/sepehr.2019.37514

[26] Shabanipour M, Darvishsefat AA, Rahmani R. Analysis of long-term vegetation changes using MODIS-NDVI time series (case study: Kurdistan Province). Journal of Forest and Wood Products. 2019;72(3):193–204. [In Persian]

doi:10.22059/jfwp.2019.277944.995.

[27] Vagić N. Comparative analysis of NDVI index and different satellite images classifications in determination the vegetation inventory of Vrčin settlement. Zbornik radova - Geografski fakultet Univerziteta u Beogradu. 2018;2018:63–83.

https://doi.org/10.5937/zrgfub1802063V

[28] Varouchakis E, Komnitsas K, Galetakis M. Spatiotemporal Analysis of Vegetation Health and Moisture Dynamics in Rehabilitated Mining Quarries Using Satellite Imagery. Environmental Processes. 2025;12.

https://doi.org/10.1007/s40710-025-00781-3

[29] W.Hassan M. The Effects of Climate Change on Normalized Difference Vegetation Index (NDVI) in the Al-Hawizeh Marsh. International Journal of Environment and Climate Change. 2024;14:208–17. https://doi.org/10.9734/ijecc/2024/v14i84343

[30] Wei M, Jiao L, Zhang P, Xue R, Wang X, Li Q, et al. Spatial and temporal characteristics of vegetation resilience to drought in China. Science China Earth Sciences. 2025;68.

https://doi.org/10.1007/s11430-024-1604-3

[31] Wu Y, Yang J, Li S-L, Guo C, Yang X-D, Xu Y, et al. NDVI-Based Vegetation Dynamics and Their Responses to Climate Change and Human Activities from 2000 to 2020 in Miaoling Karst Mountain Area, SW China. Land. 2023;12:1267.

https://doi.org/10.3390/land12071267

[32] Yan K, Gao S, Yan G, Ma X, Chen X, Zhu P, et al. A global systematic review of the remote sensing vegetation indices. International Journal of Applied Earth Observation and Geoinformation. 2025;139:104560.

https://doi.org/10.1016/j.jag.2025.104560

[33] Yao Zhang JSWL. Temporal and spatial trends in NDVI of vegetation in water level fluctuation zone and drivers along an altitude gradient in the Yarlung Zangbo River Basin. Biodiversity Science. 2024;32(5):23432.

https://doi.org/10.17520/biods.2023432

[34] Zare Khormizi H, Ghafarian Malamiri HR. Investigation of phenological components changes of Iranian vegetation in response to climate change using NDVI products of AVHRR sensor from 1982 to 2018. Journal of RS and GIS for Natural Resources. 2020;11(4):87–113. [In Persian] 10.30495/girs.2020.675970.

[35] Zhang H, Li L, Xiaoen Z, 陈峰 FC, Wei J, Feng Z, et al. Changes in Vegetation NDVI and Its Response to Climate Change and Human Activities in the Ferghana Basin from 1982 to 2015. Remote Sensing. 2024;16:1296.

https://doi.org/10.3390/rs16071296

[36] X, Friedl M, Schaaf C, Strahler A. Climate controls on vegetation phenological patterns in northern mid- and high latitudes inferred from MODIS data. Global Change Biology. 2004; 10:1133–45. https://doi.org/10.1111/j.1529-8817.2003.00784.x

[37] Zhao C, Pan Y, Zhang P. Development of a new indicator for identifying vegetation destruction events using remote sensing data. Ecological Indicators. 2024;166:112553.

https://doi.org/10.1016/j.ecolind.2024.112553

[38] Zhao Q, Qu Y. The Retrieval of Ground NDVI (Normalized Difference Vegetation Index) Data Consistent with Remote-Sensing Observations. Remote Sensing [Internet]. 2024; 16(7):[1212 p.]. https://doi.org/10.3390/rs16071212

[39] Zhu Z, Zhang J, Yang Z, Aljaddani A, Cohen W, Qiu S, et al. Continuous monitoring of land disturbance based on Landsat time series. Remote Sensing of Environment. 2019.

https://doi.org/10.1016/j.rse.2019.03.009

آمار
تعداد مشاهده مقاله: 55


سامانه مدیریت نشریات علمی. طراحی و پیاده سازی از سیناوب