چکیده:
پوشش گیاهی ارتباط زیادی با شرایط اقلیمی دارد. شناسایی تغ ییرپذیری فصلی رشد گیاه برای شناسایی پاسخ اکوسیستم ها به تغییر اقلیم در مقیاس های زمانی فصلی و بین سالیانه تعیین کننده است. برای ارائه مدل پی شبینی 7 عنصر آب و هوایی شامل بارش، دما و رطوب تنسبی (حداکثر، میانگین و حداقل) برای دوره 20 ساله ( 2006 - 1987) در 141 ایستگاه سینوپتیک و کلیماتولوژی به داده فضایی تبدیل شد.ترکیب مقادیر حداکثر ماهانه NDVI از تصاویر NOAA-AVHRR در همان دور ه استخراج گردید. سپس
عناصر آب و هوایی به عنوان متغیر مستقل و NDVI به عنوان متغیر وابسته در رگرسیون خطی چند متغیره وارد شد. نتایج نشان داد که بالاترین ضریب همبستگی بین عناصر اقلیمی و مقدار NDVI در ماه می به مقدار 82 / 0 اتفاق م یافتد که اوج سبزینگی است. کمترین همبستگی در زمستان ب هخاطر نبود رشد کافی درختان م یباشد. ضریب همبستگی سالانه مقدار مدل با حالت محاسباتی بادر نظر گرفتن خطای تصادفی بیش از 93 / 0 م یباشد. در مجموع مقدار محاسباتی ماه می و ژوئن برای سالهای 2004 و 2005 به
ضریب همبستگی مدل نزدیک است، اما در ما ههای زمستان به دلیل نبود سبزینگی ضریب همبستگی کم می شود. در سال 2006 به دلیل خشکی شدیدتر در اواخر بهار (ماه ژوئن) پی شبینی کمتری صورت گرفته است. در زمستان نقش کنترلی دما بیش از بارش و رطوبت نسبی است، اما با افزایش دما و کاهش بارش و رطوبت نسبی از اوایل ماه می نقش بارش و رطوبت نسبی مثبت و دما منفی می شود. فصل پاییز از نقش بارش کاسته و دما افزوده می شود.
Vegetation cover has a high relationship with climatic conditions. Identification of the seasonal variation of plant growth to determine the response of ecosystems to climate change in seasonal and inter-annual time scales is decisive.To present a prediction model, 7 climatic elements including precipitation, temperature and relative humidity (maximum, average and minimum) for a 20 year period (1987-2006) were converted into spatial data in 141 synoptic and climatological stations. The combination of maximum monthly NDVI values from NOAA-AVHRR images was extracted in the same period. Then climatic elements and NDVI entered the multivariate linear regression as independent variable and dependent variable respectively. The results showed that the highest correlation coefficient between climatic elements and the amount of NDVI was 0.82 and happens in May that is the peak of greenery. The least correlation in winter is due to the lack of sufficient tree growth. Taking into account the random error, the annual correlation coefficient of the model amount with computational mode is more than 93/0. In total, the computational value of May and June for 2004 and 2005 is close to the correlation coefficient of the model, but in the winter months, the correlation coefficient decreases due to lack of greenness.In 2006, there was less prediction due to more severe dryness in the late spring (June). In winter, the role of temperature control is more than rainfall and relative humidity, but with increasing temperature and decreasing precipitation and relative humidity, the role of precipitation and relative humidity becomes positive and temperature becomes negative from the beginning of May. In the autumn, the role of precipitation decreases and the temperature is increased.