شاخص توزیع

سیامک انصاری 2021-06-3

0 602 5 دقایق

تخمین توزیع مکانی-زمانی شاخص سطح برگ با استفاده از تصاویر ماهواره-ایSentinel-2 (مطالعه موردی: مزارع ذرت علوفه‌ای جنوب تهران)

3 دانشیار گروه سنجش از دور و GIS، دانشکده جغرافیا، دانشگاه تهران.

4 استادیار گروه آگرواکولوژی، موسسه تحقیقاتی علوم محیطی، دانشگاه شهید بهشتی.

5 موسسه روش‌شناسی برای تحلیل‌های محیطی (CNR IMAA)، C.da S.Loja snc, 85050 Tito (Potenza)، ایتالیا.

چکیده

شاخص سطح برگ (LAI)، در مطالعات هیدرولوژی، کشاورزی و مدیریت آبیاری اراضی، نقش مهمی را ایفا می‌کند. به منظور دستیابی به الگوریتم مناسب، با دقت و استوار یا پایدار(robust) برای تخمین توزیع مکانی-زمانی LAI با استفاده از تصاویر Sentinel-2، الگوریتم‌های رگرسیون بردار پشتیبان (SVR)، Kernel Ridge Regression (KRR)، (RVM) Relevance Vector Machines و رگرسیون فرآیند گوسی (GPR)، کالیبره و مورد ارزیابی قرار گرفتند. داده‌های این تحقیق، از مزارع ذرت علوفه‌ای شهرستان قلعه‌نو در استان تهران، در کل دوره رشد آن در تابستان 1397، از طریق اندازه‌گیری تخریبی و نیز عکسبرداری نیم‌کروی، جمع‌آوری شد. نتایج تحقیق با الگوریتم‌های متداول در این حوزه؛ جنگل تصادفی (RF) و شبکه عصبی مصنوعی (ANN)، مقایسه گردیدند. نتایج نشان می‌دهد که الگوریتم GPR، نه تنها از دقت (در گروه باندی بیست متری، 913/0=R2 و 641/0=RMSE)، سرعت و پایداری بالاتری در تخمین LAI برخوردار بوده، بلکه قابلیت منحصر به فرد ایجاد نقشه پیکسل مبنای عدم اطمینان (عدم اطمینان و عدم اطمینان نسبی، به ترتیب، به مساحت 96% و 74% از کل منطقه کمتر از 7/0 و30%) را داراست. با در نظر گرفتن مقادیر R2 و RMSE، SVR دومین الگوریتم با دقت برای برآورد LAI و بعد از آن، RVM، KRR، RF و ANN، به ترتیب می‌باشند. مقایسه LAI تخمین زده شده و میدانی در دفعات نمونه‌برداری با RMSE = 0.276 و 099/0 = Bias، و سایر مزایای مطرح شده، بر کارآیی الگوریتم GPR در تخمین توزیع مکانی-زمانی LAI دلالت دارد.

کلیدواژه‌ها

الگوریتم کرنل مبنا
شاخص سطح برگ
عکسبرداری نیم‌کروی
مطالعه منطقه ای
نقشه پیکسل مبنا

عنوان مقاله [English]

Estimating the spatial-temporal distribution of Leaf Area Index using Sentinel-2 satellite images (Case study: silage maize farms of South of Tehran)

نویسندگان [English]

Elahe Akbari 1
ali darvishi Boloorani 2
Najmeh Neysani Samany 3
Saeid Hamzeh 3
Saeid Soufizadeh 4
Stefano Pignatti 5

1 PhD student of Remote sensing, Department of Remote Sensing and GIS, Faculty of Geography, University of Tehran

2 Associate professor in remote sensing, Department of Remote Sensing and GIS, Faculty of Geography, University of Tehran

3 Associate professor, Department of Remote Sensing and GIS, Faculty of Geography, University of Tehran

4 Assistant professor, Department of Agro-ecology, Environmental Sciences Research Institute, Shahid Beheshti University, G.C

5 Institute of Methodologies for Environmental Analysis (CNR IMAA), C.da S.Loja snc, 85050 Tito (Potenza), Italy

Leaf area index (LAI) plays an important role in hydrological, agricultural, and land irrigation management studies. In order to adopt an appropriate, accurate, and robust algorithm to estimate the spatial-temporal distribution of LAI using Sentinel-2 images, the Support Vector Regression (SVR), Kernel Ridge Regression (KRR), Relevance Vector Machines (RVM), and Gaussian Process Regression (GPR) were calibrated and investigated. The research data were collected from silage maize farms in Ghaleh-Now county in Tehran province during the whole growing season in summer شاخص توزیع 2018 through destructive measurement and hemispherical photography. Our results were compared with the conventional algorithms in this field, i.e. random forest (RF) and artificial neural network (ANN). The results revealed that the GPR algorithm not only has higher accuracy (in 20-m band group, R2=0.913 and RMSE=0.641), speed, and robustness to estimate the LAI, but also it has the unique ability to generate uncertainty pixel-based map (uncertainty and relative uncertainty were less than 0.7 and 30% by 96% and 74% of the total area, respectively). Based on R2 and RMSE, SVR is the second accurate technique for LAI estimation followed by RVM, KRR, RF and ANN, respectively. Comparison of the estimated and field LAI at sampling times with RMSE=0.276 and bias=0.099 and other superiorities indicated the efficiency of GPR algorithm to estimate the spatial-temporal distribution of LAI.

کلیدواژه‌ها [English]

Kernel-based algorithm
Leaf area index
Hemispherical photography
Regional study
Pixel-based map

مراجع

آبکار، ع. ا.، صفدرینژاد، ع. ر.، زمانی، م.، صوف باف، س.ر.، غلامی بیدخانی، ن. و غفاری، ا. 1394. تحلیل و مداسازی همبستگی بین LAI و شاخصهای گیاهی از مشاهدات طیفسنجی. سنجش از دور و GIS ایران. 7 .2: 88-69.

بادیه نشین، ع.ر.، نوری، ح. و وظیفه دوست، م. 1393. واسنجی معادلات برآورد شاخص سطح برگ محصولات ذرت و چغندرقند با استفاده از داده‌های ماهوارهای سنجنده مودیس (شبکه آبیاری قزوین). تحقیقات آب و خاک ایران. 45. 2: 165-155.‎

فرید حسینی، ع. ر.، آستارایی، ع. ر.، ثنایی نژاد، س. ح.، و میرحسینی موسوی، پ. 1391. تخمین شاخص سطح برگ با استفاده از دادههای ماهوارهای IRS در منطقه نیشابور. نشریه پژوهشهای زراعی ایران. 10. 3: 582-577.

گوینده نجفآبادی، م.، میرلطیفی، س. م. و اکبری، م. 1397. برآورد شاخص سطح برگ ذرت با استفاده از دوربین دیجیتال اصلاح شده. نشریه آبیاری و زهکشی ایران، 6 .12: 1406-1396.

مختاری، ع.، نوری، ح.، وظیفه دوست، م. و نازی قمشلو، آ. 1396. برآورد شاخص سطح برگ محصولات گندم و جو با استفاده از شاخصهای گیاهی مستخرج از تصاویر ماهوارهای. نشریه آبیاری و زهکشی ایران. 11. 2: 218-209.

Azadbakht, M., Ashourloo, D., Aghighi, H., Radiom, S., and Alimohammadi, A. 2019. Wheat leaf rust detection at canopy scale under different LAI levels using machine learning techniques. Computers and Electronics in Agriculture. 156: 119-128.

Baret, F., Weiss, M., Allard, D., Garrigues, شاخص توزیع S., Leroy, M., Jeanjean, H., Fernandes, R., Myneni, R., Privette, J., Morisette, J. and Bohbot, H., 2005. VALERI: a network of sites and a methodology for the validation of medium spatial resolution land satellite products. Remote Sensing of Environment. 76. 3: 36-39.

Battude, M., Al Bitar, A., Morin, D., Cros, J., Huc, M., Sicre, C.M., Le Dantec, V. and Demarez, V. 2016. Estimating maize biomass and yield over large areas using high spatial and temporal resolution Sentinel-2 like remote sensing data. Remote Sensing of Environment. 184. 668-681.

Caicedo, J. P. R., Verrelst, J., Muñoz-Marí, J., Moreno, J., and Camps-Valls, G. 2014. Toward a semiautomatic machine learning retrieval of biophysical parameters. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. 7. 4: 1249-1259.

Campos-Taberner, M., García-Haro, F. J., Moreno, A., Gilabert, M. A., Sanchez-Ruiz, S., Martinez, B., and Camps-Valls, G. 2015. Mapping leaf area index with a smartphone and Gaussian processes. IEEE Geoscience and Remote Sensing Letters. 12. 12: 2501-2505.

Cavero, J., Farre, I., Debaeke, P., and Faci, J. M. 2000. Simulation of maize yield under water stress with the EPIC phase and CROPWAT models. Agronomy Journal. 679-690. doi:10.2134/agronj2000.924679x.

Claverie, M., Demarez, V., Duchemin, B., Hagolle, O., Ducrot, D., Marais-Sicre, C., Dejoux, J.F., Huc, M., Keravec, P., Béziat, P. and Fieuzal, R. 2012. Maize and sunflower biomass estimation in southwest France using high spatial and temporal resolution remote sensing data. Remote Sensing of Environment. 124: 844-857.

Gao, Y., Duan, A., Qiu, X., Sun, J., Zhang, J., Liu, H., and Wang, H. 2010. Distribution and use efficiency of photosynthetically active radiation in strip intercropping of maize and soybean. Agronomy Journal. 102. 4: 1149-1157.

GCOS, 2011. Systematic Observation Requirements for Satellite-Based Products for Climate, 2011 Update, Supplemental Details to the Satellite-Based Component of the Implementation Plan for the Global Observing System for Climate in Support of the UNFCCC (2010 update, GCOS-154): 138. .

Gray, J., and Song, C. 2012. Mapping leaf area index using spatial, spectral, and temporal information from multiple sensors. Remote Sensing of Environment. 119: 173-183.

Houborg, R., and Boegh, E. 2008. Mapping leaf chlorophyll and leaf area index using inverse and forward canopy reflectance modeling and SPOT reflectance data. Remote Sensing of Environment. 112. 1: 186-202.

Houborg, R., and McCabe, M. F. 2018. A hybrid training approach for leaf area index estimation via Cubist and random forests machine-learning. ISPRS Journal of Photogrammetry and Remote Sensing. 135: 173-188.

Jin, X., Yang, G., Xu, X., Yang, H., Feng, H., Li, Z., Shen, J., Zhao, C. and Lan Y., 2015. Combined multi-temporal optical and radar parameters for estimating LAI and biomass in winter wheat using HJ and RADARSAR-2 data. Remote Sensing. 7. 10: 13251-13272. doi:10.3390/rs71013251.

Kanellopoulos I, Wilkinson G. 1997. Strategies and best practice for neural network image classification. International Journal of Remote Sensing. 18. 4: 711-725.

Kross, A., McNairn, H., Lapen, D., Sunohara, M., and Champagne, C. 2015. Assessment of RapidEye vegetation indices for estimation of leaf area index and biomass in corn and soybean crops. International Journal of Applied Earth Observation and Geoinformation. 34: 235-248.

Mateo-Sanchis, A., Muñoz-Marí, J., Pérez-Suay, A., and Camps-Valls, G. 2018. Warped Gaussian Processes in remote sensing parameter estimation and causal inference. IEEE Geoscience and Remote Sensing Letters. 99: 1-5.

Mousivand, A., Menenti, M., Gorte, B., and Verhoef, W. 2015. Multi–temporal, multi–sensor retrieval of terrestrial vegetation properties from spectral–directional radiometric data. Remote Sensing of Environment. 158: 311-330

Munz, S., Feike, T., Chen, Q., Claupein, W., and Graeff-Hönninger, S. 2014. Understanding interactions between cropping pattern, maize cultivar and the local environment in strip-intercropping systems. Agricultural and Forest Meteorology. 195: 152-164.

Rasmussen, C.E., and Williams, C.K.I., 2006. Gaussian Processes for Machine Learning. The MIT Press, New York.

Shawe-Taylor, J., and Cristianini, N. 2004. Kernel Methods for Pattern Analysis. : Cambridge University Press.

Tipping, Michael E. 2001. Sparse Bayesian learning and Relevance Vector Machine. Journal of Machine Learning Research. 1: 211–244.

Verrelst, J., Schaepman, M. E., Malenovský, Z., and Clevers, J. G. P. W. 2010. Effects of woody elements on simulated canopy reflectance: Implications for forest chlorophyll content retrieval. Remote Sensing of Environment. 114. 3: 647–656.

Verrelst, J., Alonso, L., Camps-Valls, G., Delegido, J., and Moreno, J. 2012a. Retrieval of vegetation biophysical parameters using Gaussian process techniques. IEEE Transactions on Geoscience and Remote Sensing. 50. 5: 1832-1843.

Verrelst, J., Muñoz, J., Alonso, L., Delegido, J., Rivera, J. P., Camps-Valls, G., and Moreno, J. 2012b. Machine learning regression algorithms for biophysical parameter retrieval: Opportunities for Sentinel-2 and-3. Remote Sensing of Environment. 118: 127-139.

Verrelst, J., Rivera, J., Moreno, J., Camps-Valls, G., 2013. Gaussian processes uncertainty estimates in experimental Sentinel-2 LAI and leaf chlorophyll content retrieval. ISPRS J. Photogramm. Remote Sens. 86: 157–167.

Verrelst, J., Camps-Valls, G., Muñoz-Marí, J., Rivera, J. P., Veroustraete, F., Clevers, J. G., and Moreno, J. 2015a. Optical remote sensing and the retrieval of terrestrial vegetation bio-geophysical properties–A review. ISPRS شاخص توزیع Journal of Photogrammetry and Remote Sensing. 108: 273-290.

Verrelst, J., Rivera, J. P., Veroustraete, F., Muñoz-Marí, J., Clevers, J. G., Camps-Valls, G., and Moreno, J. 2015b. Experimental Sentinel-2 LAI estimation using parametric, non-parametric and physical retrieval methods–A comparison. ISPRS Journal of Photogrammetry and Remote Sensing. 108: 260-272.

Verrelst, J., Rivera, J. P., Gitelson, A., Delegido, J., Moreno, J., and Camps-Valls, G. 2016. Spectral band selection for vegetation properties retrieval using Gaussian processes regression. International Journal of Applied Earth Observation and Geoinformation. 52: 554-567.

Watson D.J. 1947. Comparative physiological studies in the growth of field crops. I. Variation in net assimilation rate and leaf area between species and varieties, and within and between years. Annals of Botany 11: 41-76.

Wu, M., Wu, C., Huang, W., Niu, Z., and Wang, C. 2015. High-resolution Leaf Area Index estimation from synthetic Landsat data generated by a spatial and temporal data fusion model. Computers and Electronics in Agriculture. 115: 1-11.

Xia, T., Miao, Y., Wu, D., Shao, H., Khosla, R., and Mi, G. 2016. Active optical sensing of spring maize for in-season diagnosis of nitrogen status based on nitrogen nutrition index. Remote Sensing. 8. 7: 605.

مجله علمی دانشگاه علوم پزشکی رفسنجان

Journal of Rafsanjan University of Medical Sciences

Gandomi F, Soufivand P, Fadaei Dehcheshmeh P. Studying the Pattern of Foot Pressure Distribution, Symmetry Index, and Center of Pressure Sways in Women with Back Pain Due to Lumbar Disc Herniation: A Descriptive Study. JRUMS. 2021; 20 (5) :487-502
URL: http://journal.rums.ac.ir/article-1-5682-fa.html

گندمی فرزانه، صوفیوند پرویز، فدائی ده چشمه پریا. مطالعه الگوی توزیع فشار کف پایی، شاخص تقارن و نوسانات مرکز فشار در زنان مبتلا به کمردرد ناشی از فتق دیسک کمری: یک مطالعه توصیفی. مجله دانشگاه علوم پزشکی رفسنجان. 1400; 20 (5) :502-487

چکیده
زمینه و هدف: دردهای موضعی و انتشاری ناشی از فتق دیسک کمری، میتواند سبب را هبر دهای جبرانی جهت کاهش درد ادراکی گردد. هدف از مطالعه حاضر تعیین الگوی توزیع فشار کف پایی، شاخص تقارن و نوسانات مرکز فشار در افراد مبتلا به کمردرد ناشی از فتق دیسک کمری میباشد.
مواد و روش ها: تحقیق توصیفی حاضر در آزمایشگاه توانبخشی ورزشی دانشگاه رازی در سال 1398 انجام گرفت. تعداد 34 زن به صورت هدفمند انتخاب و در دو گروه کمردرد ناشی از فتق دیسک (17 نفر) و سالم (17 نفر) قرار گرفتند. متغیرهای مطالعه با دستگاه پی تی اسکن ارزیابی شدند. شاخصهای نوسانات قدامی خلفی، نوسانات داخلی خارجی، طول مسیر جابه‌جایی مرکز فشار، محدوه نوسانات، طول محور مینور، طول محور ماژور، سرعت نوسانات و شاخص تقارن، در وضعیت ایستا، استخراج شدند. از آزمون t مستقل برای مقایسه میانگینها در دو گروه استفاده گردید.
یافته ها: میانگینها در شاخصهای طول مسیر جابهجایی مرکز فشار (001/0= P ) ، نوسانات قدامی خلفی (001/0= P ) و سرعت نوسانات (001/0= شاخص توزیع P ) افزایش معنی‌دار و میانگین شاخص تقارن (001/0= P ) در گروه فتق دیسک کمری نسبت به گروه کنترل کاهش معن ی‌ داری را نشان داد.
نتیجه گیری: بنابر یافتههای مطالعه حاضر، افراد دارای فتق دیسک کمری دارای توزیع فشار کفپایی یکطرفه میباشند؛ که میتواند در نتیجه تأخیر در فعال شدن عضلات ستون فقرات به علت وجود درد بوده و در طولانی مدت سبب صدمات جبران ناپذیری در مفاصل زانو و مچپا گردد. در نتیجه بهکارگیری تمرینات عصبی-عضلانی با هدف فعال نمودن بهموقع عضلات ثبات دهنده ستون فقرات شاید یک راهکار مناسب در کاهش ریسک آسیبهای متعاقب باشد.
واژه های کلیدی: فتق دیسک کمر، توزیع فشار کف پایی، نوسانات مرکز فشار

نوع مطالعه: پژوهشي | موضوع مقاله: روماتولوژي
دریافت: 1399/8/21 | پذیرش: 1400/2/26 | انتشار: 1400/5/28

ضریب جینی و منحنی لورنز چیست؟

«منحنی لورنز» (Lorenz Curve) از شاخص‌های مهم وضعیت «توزیع ثروت» در جامعه می‌باشد. بسیاری از کارشناسان آن را شاخص مهمی برای نمایش نابرابری‌های اجتماعی به صورت کلی نیز می‌دانند. ارتباط این دو مفهوم یعنی «نابرابری توزیع ثروت» و «نابرابرهای اجتماعی» در جوامعی که دارای اقتصاد آزاد می‌باشند آشکارتر است.

در صفحه منحنی لورنز، محور عمودی نشان‌گر درصد تجمعی درآمد و محور افقی نشان‌گر درصد تجمعی جمعیت جامعه است. در حالت «توزیع کاملا یکنواخت ثروت میان اعضای جامعه»، منحنی لورنز به «خط توزیع کاملا برابر» تبدیل می‌شود (نمودار زیر را ببنید). در حالت «نابرابری کامل» یعنی وضعیتی که همه ثروت جامعه دست یک نفر باشد و بقیه اعضای جامعه هیچ دارایی یا درآمدی نداشته باشند منحنی لورنز به «خط توزیع کاملا نابرابر» تبدیل می‌شود. در جوامع واقعی منحنی لورنز در فاصله بین این دو خط قرار می‌گیرد.

مطابق با تعریف فوق «هر چقدر منحنی لورنز در یک جامعه فرضی به «خط توزیع کاملا برابر» نزدیک‌تر باشد توزیع ثروت در آن جامعه عادلانه‌تر انجام گرفته است.»

مفهوم شاخص یا «ضریب جینی» (Gini Index) وابستگی نزدیکی به مفهوم «منحنی لورنز» دارد. ضریب جینی عددی است بین صفر و یک و برابر است با «سطح محصور» بین «منحنی لورنز» و «خط توزیع کاملا برابر».

در حالتی که منابع و ثروت‌های جامعه به صورت «کاملا عادلانه» بین افراد توزیع شده باشد،‌ منحنی لورنز به خط «توزیع کاملا برابر» می‌چسبد و ضریب جینی برابر صفر می‌شود.

برعکس در حالت «توزیع کاملا نابرابر ثروت» در یک جامعه یعنی انحصار مطلق (همه ثروت جامعه دست یک نفر باشد در حالی‌که سایر افراد ثروتی معادل صفر دارند) ضریب جینی مساوی با یک خواهد بود.

شاخص توزیع عادلانه درآمد ایرانی‌ها در ۱۱ سال گذشته بهبود یافت

خبرگزاری ایمنا: وضعیت توزیع درآمد و ضریب جینی طی ۱۱ سال گذشته بر اساس جدید‌ترین آمار مرکز آمار ایران ضریب جینی به عنوان مهمترین شاخص توزیع عادلانه درآمد طی این مدت ۶۰۴ هزارم واحد ارتقاء و بهبود یافت.

به گزارش ایمنا ضریب جینی به عنوان یک شاخص مهم توزیع عادلانه درآمد‌ها در جامعه است که بین ۰ و ۱ در نوسان است و هرچه این ضریب به سمت صفر ۰ تمایل پیدا کند، حاکی از توزیع عادلانه درآمد‌ها در جامعه است و هرچه به سمت ۱ میل پیدا کند، نشان از اختلاف طبقات درآمد‌ی جامعه و عدم عدالت توزیع درآمد‌ها در جامعه به شمار می‌رود.
ارتقای شاخص ضریب جینی در کشور به نظر می‌رسد، به دلیل مهم اجرای قانون هدفمندی یارانه‌ها و توزیع یکسان درآمد نقدی در کشور باشد.
بر اساس آمار اعلام شده از سوی مرکز آمار ایران ضریب جینی در سال ۸۰، رقم ۰.۴۳۰۴ بود که این رقم در سال ۸۴ به ۰.۴۲۴۸ و در سال ۹۱ به رقم ۰.۳۶۴۳ رسیده که حاکی از بهبود و ارتقای توزیع عادلانه درآمد‌ها در جامعه است.
همچنین بر اساس آمار اعلام شده سهم دهک اول جامعه در سال ۸۰، ۰.۰۲۰۷ بود که این رقم در سال ۸۴ به ۰.۰۲۰۲ رسید و در سال ۹۱ به ۰.۰۲۸۱ رسیده است.
در دهک پنجم درآمدی سهم هزینه ناخالص سرانه هر دهک ۰.۰۶۴۸ بود که این رقم در سال ۸۴ به ۰.۰۶۴۳ رسید و در سال ۹۱ این رقم به ۰.۰۷۰۹ رسیده است.
همچنین سهم دهک دهم در سال ۸۰ رقم ۰.۳۳۹۴ بود که در سال ۸۴ به رقم ۰.۳۳۳۱ رسید و در سال ۹۱ به ۰.۲۹۰۸ شاخص توزیع رسیده است.
همچنین سهم ۲۰ درصد فقیر‌ترین جمعیت در سال ۸۰ رقم ۰.۰۵۲۲ بود که این رقم در سال ۸۴ به ۰.۰۵۲۹ و در سال ۹۱ به ۰.۰۶۹۲ رسیده است.
بر اساس گزارش مرکز آمار ایران سهم ۱۰ درصد ثروتمندترین افراد جامعه به ۱۰ درصد فقیر‌ترین در سال ۸۰ رقم ۱۶.۴۳ برابر بود که این رقم در سال ۸۴ به ۱۶.۴۶ برابر و در سال ۹۱ به ۱۰.۳۶ برابر رسیده است یعنی فاصله دهک ثروتمند به دهک غنی به مدد یارانه‌های نقدی بهبود یافته است. همچنین سهم ۲۰ درصد ثروتمند‌ترین قشر جامعه به ۲۰ درصد فقیر‌ترین در سال ۸۰ به رقم ۹.۶۱ برابر در سال ۸۴، ۹.۳۹ برابر و در سال ۹۱ به رقم ۶.۴۶ برابر رسیده که این نسبت نیز بهتر شده است.
بر اساس گزارش مرکز آمار ایران از ضریب جینی و سهم ناخالص سرانه دهک‌ها سهم ۴۰ درصد ثروتمند‌ترین اقشار به ۴۰ درصد فقیر‌ترین در سال ۸۰ رقم ۴.۹۰ برابر بود که در سال ۸۴ به رقم ۴.۷۷ برابر و در سال ۹۱ به ۳.۶۹ برابر رسیده است.
همچنین ضریب جینی در مناطق روستایی در سال ۸۰ رقم ۰.۳۸۶۴ بود که در سال ۸۴ به ۰.۳۸۸۹ رسید و در سال ۹۱ به ۰.۳۳۷۳ واحد رسید.
گزارش مرکز آمار ایران حاکی است ضریب جینی در مناطق شهری در سال ۸۰ رقم ۰.۴۱۹۹ بود که در سال ۸۴ به ۰.۴۰۵۸ رسید و در سال ۹۱ به ۰.۳۵۷۵ رسیده است.