کاربرد مدل سنجش از دور CASA در تخمین تولید خالص اولیه ( NPP )اکوسیستم مرتع
محل انتشار: دومین کنفرانس بین المللی اکولوژی سیمای سرزمین
سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 2,151
فایل این مقاله در 10 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
IALE02_127
تاریخ نمایه سازی: 5 بهمن 1395
چکیده مقاله:
یکی از موضوعات اصلی تحقیقات علمی در زمینه اثر تغییر اقلیم جهانی، بررسی تغییرات چرخه کربن در مراتع می باشد و تولید خالص اولیه (NPP) مولفه ای مهم در این چرخه از نظر ذخیره کربن و شاخصی کلیدی برای ارزیابی کارکرد اکوسیستم است. پایش تولید خالص اولیه (NPP) در میان اکوسیستم های شکننده مناطق خشک و نیمه خشک از اهمیت بالایی برخوردار است، اخیرا مطالعه دینامیک گیاهان و درک الگوهای مکانی و زمانی NPP با استفاده از مدل های سنجش از دور در این مناطق توجه زیادی را به خود جلب نموده است. به این دلیل که اکوسیستم مرتعی در این مناطق به تخریب و تغییرات محیطی همچون تغییر اقلیم بسیار حساس میباشند. تخمین دقیق و سریع تولید مراتع یک موضوع مهم علمی در تحقیقات مراتع هست. در نتیجه این مطالعه با هدف نحوه کاربرد مدل سنجش از دور CASA در تخمین NPP مراتع انجام گرفته است. محققین بسیاری مطلوبیت این مدل را در این زمینه تایید نموده اند. نتایج حاصل از این مدل به منظور ارزیابی تغییرات NPP در مراتع، پایه و اساسی درک تاثیرات اقلیمی بر این اکوسیستم هاست، که موجب پایداری کالاها و خدمات اکوسیستم مراتع می گردد. همچنین مدلسازی NPP بر اساسی داده های سنجش از دور به بررسی تولید گیاهان در مقیاس وسیع کمک و اطلاعات ارزشمندی از الگوهای مکانی و زمانی NPP فراهم می نماید.
کلیدواژه ها:
تولید خالص اولیه (NPP) گیاهان ، مدل سنجش از دورCASA ، تغییرات مکانی و زمانی ، سنجش از کور ، مراتع خشک و نیمه خشک
نویسندگان
مرجان ساکی
دانشجوی دکتری علوم مرتع دانشگاه صنعتی اصفهان
سعید سلطانی
دانشیار گروه مرتع و آبخیزداری دانشگاه صنعتی اصفهان
مصطفی ترکش
استادیار گروه مرتع و آبخیزداری دانشگاه صنعتی اصفهان
رضا جعفری
استادیار گروه مرتع و آبخیزداری دانشگاه صنعتی اصفهان
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :