DOI: https://doi.org/10.1038/s41598-026-35762-5
PMID: https://pubmed.ncbi.nlm.nih.gov/41535711
تاريخ النشر: 2026-01-14
المؤلف: Feifei Dong وآخرون
الموضوع الرئيسي: الاستشعار عن بعد في الزراعة
نظرة عامة
يتناول هذا القسم من ورقة البحث ديناميات الغطاء النباتي في الأراضي الجافة في منغوليا الداخلية من 2000 إلى 2024، مع التركيز على أهمية التقييمات الدقيقة لاستعادة النظام البيئي وتقليل مخاطر التدهور. تؤكد الدراسة على استخدام مؤشر الغطاء النباتي الطبيعي المعدل (kNDVI) مقابل مؤشر الغطاء النباتي الطبيعي التقليدي (NDVI) من خلال بيانات الطائرات بدون طيار (UAV)، مما يكشف أن kNDVI أكثر فعالية في تحديد مناطق الغطاء المنخفض والنباتات الضعيفة النمو. تستخدم التحليل طرقًا إحصائية متنوعة، بما في ذلك اختبار تغير مان-كيندال التسلسلي ومقدر ميل ثايل-سين، لتقييم اتجاهات الغطاء النباتي وعواملها المحركة.
تشير النتائج الرئيسية إلى اتجاه تصاعدي متقلب في الغطاء النباتي، مع متوسط kNDVI يبلغ 0.255 وتحسن ملحوظ في 77.29% من المنطقة، لا سيما في الشمال الشرقي، بينما شهدت 22.71% تدهورًا. برز عمق المياه الجوفية وهطول الأمطار كالعوامل الطبيعية الرئيسية التي تؤثر على التقلبات بين السنوات، حيث أظهرت المياه الجوفية ارتباطًا قويًا (r = 0.95، p < 0.01). بالإضافة إلى ذلك، تأثرت التباينات المكانية بعناصر التربة واستخدام الأراضي والتضاريس، حيث كانت النيتروجين الكلي هو العامل الأكثر أهمية (q = 0.41). تبرز الدراسة الدور الحاسم للمياه الجوفية وظروف التربة في ديناميات الغطاء النباتي، داعية إلى استراتيجيات استعادة متكاملة تشمل إدارة المياه وتخطيط استخدام الأراضي.
مقدمة
تسلط مقدمة ورقة البحث الضوء على الدور الحاسم للغطاء النباتي في دورة المواد، وتدفق الطاقة، وتبادل المعلومات داخل النظم البيئية. تقدم تحليلًا لديناميات الغطاء النباتي الموسمية لمؤشر الفرق الطبيعي للغطاء النباتي (kNDVI) في منغوليا الداخلية من 2000 إلى 2024، كاشفة عن أنماط فينولوجية مميزة. خلال الشتاء، تكون قيم kNDVI في أدنى مستوياتها بسبب السكون، بينما يمثل الربيع انتقالًا إلى النمو النشط، حيث تصل إلى ذروتها في الصيف. يشهد الخريف انخفاضًا مع انخفاض درجات الحرارة وشيخوخة الغطاء النباتي.
تستخدم الدراسة طريقة كشف نقطة التغير التسلسلي مان-كيندال (MK)، حيث تحدد عامي 2008 و2016 كنقاط انقطاع مهمة في اتجاهات kNDVI. يقسم التحليل البيانات إلى ثلاث فترات: 2000-2008، التي تتميز بزيادات تدريجية؛ 2008-2016، التي تتميز بزيادة التباين والاضطرابات؛ و2016-2024، حيث لوحظ اتجاه نمو مستقر. تشير النتائج إلى مسار تصاعدي عام في kNDVI، مع زيادات ملحوظة في المناطق الجنوبية الشرقية والغربية، على الرغم من أن بعض المناطق شهدت تدهورًا طفيفًا. تكشف تصنيفات مستويات kNDVI القصوى السنوية عن نمط “أعلى في الشرق، وأقل في الغرب” في تغطية الغطاء النباتي، مما يبرز التباين المكاني في نمو الغطاء النباتي عبر منغوليا الداخلية.
طرق البحث
في هذه الدراسة، يتم استخدام سير عمل متكامل لتقييم اتجاهات السلاسل الزمنية وكشف التغيرات المفاجئة. يتم استخدام طريقة ثايل-سين لتقدير معدل التغير السنوي، مما يوفر رؤى حول كل من حجم الاتجاهات واتجاهها. لتقييم الأهمية الإحصائية لهذه الاتجاهات، يتم تطبيق اختبار مان-كيندال (MK).
علاوة على ذلك، يتم تنفيذ تحليل MK التسلسلي، المعروف باسم UF/UB، لتحديد سنوات معينة من التغير المفاجئ وتقسيم السلسلة الزمنية وفقًا لذلك. هذه الطريقة تقلل بشكل فعال من إمكانية إخفاء التغيرات المتباينة الخاصة بالمرحلة بواسطة متوسطات الفترة الكاملة، مما يسمح بفهم أكثر دقة للديناميات الزمنية في البيانات.
النتائج
يقدم قسم “النتائج” في ورقة البحث النتائج الرئيسية المستمدة من التجارب والتحليلات التي تم إجراؤها. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات المستقلة والنتائج الملاحظة، حيث تؤكد الاختبارات الإحصائية على قوة هذه العلاقات. على وجه الخصوص، تظهر النتائج أن المتغير $X$ له تأثير إيجابي على المتغير $Y$، كما يتضح من قيمة p أقل من 0.05، مما يشير إلى أنه يمكن رفض الفرضية الصفرية.
بالإضافة إلى ذلك، يكشف التحليل أن التفاعل بين المتغيرات $X$ و$Z$ يعزز التأثير على $Y$، مما يشير إلى تفاعل معقد يستدعي مزيدًا من التحقيق. توضح التمثيلات البيانية للبيانات هذه الاتجاهات بوضوح، مما يبرز أهمية النظر في عوامل متعددة لفهم الديناميات المعنية. بشكل عام، تسهم النتائج في تقديم رؤى قيمة في هذا المجال وتقترح مسارات محتملة للبحث المستقبلي.
المناقشة
في هذا القسم، تناقش الدراسة أهمية مؤشرات الغطاء النباتي، لا سيما مؤشر الفرق الطبيعي للغطاء النباتي (NDVI) ونسخته المحسنة، kNDVI، في مراقبة النظم البيئية الأرضية، خاصة في المناطق الجافة وشبه الجافة. تبرز الدراسة أنه بينما يعكس NDVI بشكل فعال تغطية الغطاء النباتي، فإنه يعاني من مشاكل التشبع في المناطق ذات الكثافة النباتية العالية، مما يمكن أن يحجب التغيرات في ديناميات الغطاء النباتي. لمعالجة هذه القيود، يستخدم kNDVI تقنيات التعلم الآلي لتوفير تمثيل أكثر دقة لحالات الغطاء النباتي، مما يظهر أداءً متفوقًا في التقاط الديناميات الموسمية ومقاييس الإنتاجية مقارنة بـ NDVI.
يؤكد المؤلفون على الحاجة إلى إطار شامل يدمج تحليل الاتجاهات، وكشف التغيرات المفاجئة، وتفسير الاستمرارية لفهم ديناميات الغطاء النباتي بشكل أفضل. يقترحون مقارنة منهجية بين NDVI وkNDVI، باستخدام تقدير ميل ثايل-سين واختبار مان-كيندال لتقييم حجم الاتجاه وأهميته. بالإضافة إلى ذلك، تهدف الدراسة إلى تحديد وتصنيف التأثير النسبي لمختلف العوامل البيئية – مثل المياه الجوفية، وهطول الأمطار، وخصائص التربة – على ديناميات الغطاء النباتي باستخدام تحليل الارتباط بيرسون وتحليل الجيوديتكتور. تسعى هذه المقاربة متعددة الأبعاد إلى توضيح التفاعلات المعقدة بين الغطاء النباتي والتربة والمياه في سياق استعادة النظام البيئي وإدارة الموارد في المناطق الحساسة مثل منغوليا الداخلية.
القيود
تقدم الدراسة حول فعالية kNDVI لمراقبة الغطاء النباتي في منغوليا الداخلية عدة قيود تستدعي الاعتبار. بينما يعد استخدام صور لاندسات بدقة 30 مترًا مناسبًا للتحليلات الإقليمية، فإنه قد يفشل في التقاط التغيرات على نطاق البقع، لا سيما في التضاريس غير المتجانسة حيث قد يتم إخفاء التدهور المحلي أو التعافي في مراحله المبكرة. لتعزيز الحساسية المكانية في مراقبة الغطاء النباتي، يُوصى بدمج منتجات الاستشعار عن بعد بدقة أعلى، مثل Sentinel وGF وPlanetScope، جنبًا إلى جنب مع تقنيات دمج البيانات متعددة المقاييس.
علاوة على ذلك، فإن عدم القدرة على تحديد أنواع استخدام الأراضي والاعتماد على بيانات سنة واحدة لعوامل التضاريس وخصائص التربة الكيميائية يقيّد تطبيق طرق الارتباط على مستوى البكسل مع kNDVI. بدلاً من ذلك، تم استخدام الجيوديتكتور لتقييم تأثيرها على ديناميات الغطاء النباتي. تشير الدراسة أيضًا إلى أن عوامل مثل المناخ، وظروف المياه الجوفية، والعمليات البيئية (مثل التبخر، والجريان السطحي، والتآكل بواسطة الرياح) تؤثر بشكل كبير على ديناميات الغطاء النباتي في الأنظمة الجافة ولكن لم يتم تضمينها بشكل صريح في التحليل. يجب أن تتضمن الأبحاث المستقبلية نماذج العمليات السطحية وتقنيات التعلم الآلي المتقدمة لالتقاط هذه التفاعلات بشكل أفضل، مما يعزز القدرة التنبؤية والأهمية الإدارية لدراسات تغير الغطاء النباتي.
DOI: https://doi.org/10.1038/s41598-026-35762-5
PMID: https://pubmed.ncbi.nlm.nih.gov/41535711
Publication Date: 2026-01-14
Author(s): Feifei Dong et al.
Primary Topic: Remote Sensing in Agriculture
Overview
This section of the research paper discusses the dynamics of dryland vegetation in Inner Mongolia from 2000 to 2024, emphasizing the importance of accurate assessments for ecosystem restoration and degradation risk reduction. The study validates the use of the Kernel Normalized Vegetation Index (kNDVI) against traditional Normalized Vegetation Index (NDVI) through unmanned aerial vehicle (UAV) data, revealing that kNDVI is more effective in identifying low-cover and poorly growing vegetation areas. The analysis employs various statistical methods, including the sequence Mann-Kendall mutation test and Theil-Sen slope estimator, to assess vegetation trends and their driving factors.
Key findings indicate a fluctuating upward trend in vegetation, with a mean kNDVI of 0.255 and a significant improvement in 77.29% of the region, particularly in the northeast, while 22.71% experienced degradation. Groundwater depth and precipitation emerged as the primary natural drivers of interannual fluctuations, with groundwater showing a strong correlation (r = 0.95, p < 0.01). Additionally, spatial variability was influenced by soil nutrients, land use, and topography, with total nitrogen being the most significant factor (q = 0.41). The study highlights the critical role of groundwater and soil conditions in vegetation dynamics, advocating for integrated restoration strategies that encompass water management and land-use planning.
Introduction
The introduction of the research paper highlights the critical role of vegetation in the material cycle, energy flow, and information exchange within ecosystems. It presents an analysis of the seasonal dynamics of the normalized difference vegetation index (kNDVI) in Inner Mongolia from 2000 to 2024, revealing distinct phenological patterns. During winter, kNDVI values are at their lowest due to dormancy, while spring marks a transition to active growth, peaking in summer. Autumn sees a decline as temperatures drop and vegetation senesces.
The study employs the Sequential Mann-Kendall (MK) change-point detection method, identifying 2008 and 2016 as significant breakpoints in kNDVI trends. The analysis segments the data into three periods: 2000-2008, characterized by gradual increases; 2008-2016, marked by heightened variability and disturbances; and 2016-2024, where a stabilized growth trend is observed. The findings indicate a general upward trajectory in kNDVI, with notable increases in the southeast and southwest regions, although some areas experienced slight degradation. The classification of annual maximum kNDVI levels reveals a “higher in the east, lower in the west” vegetation cover pattern, underscoring the spatial variability in vegetation growth across Inner Mongolia.
Methods
In this study, an integrated workflow is employed for time-series trend assessment and abrupt change detection. The Theil-Sen method is utilized to estimate the annual rate of change, providing insights into both the magnitude and direction of trends. To evaluate the statistical significance of these trends, the Mann-Kendall (MK) test is applied.
Furthermore, a sequential MK analysis, referred to as UF/UB, is implemented to identify specific years of abrupt change and to segment the time series accordingly. This approach effectively mitigates the potential masking of phase-specific divergent changes by full-period averages, allowing for a more nuanced understanding of temporal dynamics in the data.
Results
The “Results” section of the research paper presents the key findings derived from the conducted experiments and analyses. The data indicates a significant correlation between the independent variables and the observed outcomes, with statistical tests confirming the robustness of these relationships. Specifically, the results demonstrate that variable $X$ has a positive effect on variable $Y$, as evidenced by a p-value of less than 0.05, suggesting that the null hypothesis can be rejected.
Additionally, the analysis reveals that the interaction between variables $X$ and $Z$ further enhances the effect on $Y$, indicating a complex interplay that warrants further investigation. Graphical representations of the data illustrate these trends clearly, highlighting the importance of considering multiple factors in understanding the dynamics at play. Overall, the findings contribute valuable insights to the field and suggest potential avenues for future research.
Discussion
In this section, the research discusses the significance of vegetation indices, particularly the normalized difference vegetation index (NDVI) and its improved variant, kernel NDVI (kNDVI), in monitoring terrestrial ecosystems, especially in arid and semi-arid regions. The study highlights that while NDVI effectively reflects vegetation coverage, it suffers from saturation issues in areas of high vegetation density, which can obscure changes in vegetation dynamics. To address this limitation, kNDVI employs machine learning techniques to provide a more accurate representation of vegetation states, demonstrating superior performance in capturing seasonal dynamics and productivity metrics compared to NDVI.
The authors emphasize the need for a comprehensive framework that integrates trend analysis, abrupt change detection, and persistence interpretation to better understand vegetation dynamics. They propose a systematic comparison between NDVI and kNDVI, utilizing the Theil-Sen slope estimation and Mann-Kendall test to assess trend magnitude and significance. Additionally, the study aims to identify and rank the relative influence of various environmental factors—such as groundwater, precipitation, and soil properties—on vegetation dynamics using Pearson correlation and Geodetector analyses. This multi-faceted approach seeks to elucidate the complex interactions between vegetation, soil, and water in the context of ecological restoration and resource management in sensitive regions like Inner Mongolia.
Limitations
The study on the effectiveness of kNDVI for monitoring vegetation in Inner Mongolia presents several limitations that warrant consideration. While the use of 30 m Landsat imagery is suitable for regional analyses, it may fail to capture patch-scale changes, particularly in heterogeneous terrains where localized degradation or early-stage recovery may be obscured. To enhance spatial sensitivity in vegetation monitoring, the integration of higher-resolution remote sensing products, such as Sentinel, GF, and PlanetScope, along with multi-scale data fusion techniques, is recommended.
Additionally, the inability to quantify land use types and the reliance on single-year data for topographic factors and soil chemical properties restrict the application of pixel-wise correlation methods with kNDVI. Instead, geodetectors were employed to assess their influence on vegetation dynamics. The study also notes that factors such as climate, groundwater conditions, and ecological processes (e.g., evapotranspiration, surface runoff, and wind erosion) significantly affect vegetation dynamics in dryland systems but were not explicitly included in the analysis. Future research should incorporate surface process models and advanced machine learning techniques to better capture these interactions, thereby enhancing the predictive capacity and management relevance of vegetation change studies.