پایش مکانی- زمانی الگوی خشک‌سالی با استفاده از محصولات ماهواره‌ای در کشور ایران در طول دوره 2000 تا 2018

عربی, زهرا; محمدی, شاهین

doi:10.22111/jneh.2021.34785.1679

پایش مکانی- زمانی الگوی خشک‌سالی با استفاده از محصولات ماهواره‌ای در کشور ایران در طول دوره 2000 تا 2018

نوع مقاله : مقاله پژوهشی

نویسندگان

¹ استادیار گروه جغرافیا، دانشگاه پیام نور تهران

² دانشجوی دکتری رشته سنجش از دور و سیستم اطلاعات جغرافیایی، دانشگاه شهید چمران اهواز

10.22111/jneh.2021.34785.1679

چکیده

با توجه به کاهش بارندگی در دو دهه اخیر، خشک‌سالی به یک مشکل بزرگ در جهان و مخصوصاً در مناطق خشک و نیمه‌خشک از قبیل ایران تبدیل شده است، ازاین‌رو پایش و مدیریت آن حائز اهمیت می‌باشد. سنجش از دور و سامانه اطلاعات مکانی توانایی بررسی شاخص‌هایی متنوعی جهت ارزیابی انواع خشک‌سالی‎ها را فراهم می‌کند، بنابراین در مطالعه حاضر، خشک‌سالی کشور ایران با استفاده از چندین شاخص سنجش از دوری شامل شاخص شرایط بارش (PCI)، شاخص شرایط دما (TCI)، شاخص شرایط پوشش گیاهی (VCI) و شاخص تلفیقی تحت عنوان SDCI در طول دوره آماری 2000 تا 2018 مورد ارزیابی و بررسی قرار گرفت. به‌منظور ارزیابی صحت نتایج به دست آمده، این نتایج با شاخص SPEI بررسی و مقایسه گردید. نتایج این مطالعه نشان داد سه شاخص PCI، VCI و TCI تطابق خوبی با هم دارند. همچنین نتایج شاخص ترکیبی SDCI نشان می‌دهد که در سال‌های 2000، 2008 و 2017 خشک‌سالی‌های شدیدی اتفاق افتاده است که با مقایسه نتایج این شاخص با شاخص هواشناسی استاندارد تبخیر و تعرق بارندگی(SPEI)، مطابقت زیادی وجود دارد. لازم به ذکر است که اختلافات جزئی بین این دو شاخص را می‌توان این‌گونه توجیه نمود که شاخص SPEI یک شاخص اقلیمی بوده که دو پارامتر دما و بارش را برای ارزیابی خشک‌سالی در نظر می‌گیرد، درحالی‌که شاخص سنجش از دوری SDCI علاوه بر دما و بارش، خشک‌سالی کشاورزی را نیز در نظر گرفته و با دید وسیع‌تری وضعیت خشک‌سالی را ارزیابی می‌کند. بر مبنای محاسبه های انجام شده شاخص ترکیبی SDCI با توجه به اینکه‌ جنبه های مختلف خشک‌سالی را در نظر گرفته است یک ارزیابی جامع و مناسب نسبت به سایر شاخص‌ها از وضعیت خشک‌سالی کشور ارائه داده است.

کلیدواژه‌ها

موضوعات

مخاطرات محیط طبیعی

عنوان مقاله [English]

Monitoring Spatio-temporal pattern of drought using multi-satellite data during the period 2000 - 2018 (Case study: Iran)

نویسندگان [English]

Zahra Arabi ¹
Shahin Mohammadi ²

¹ Assistant Professor, Department of Geography, Payame Noor University, Tehran

² Ph.D. Student of RS and GIS, Shahid Chamran University of Ahvaz

چکیده [English]

Due to declining rainfall in the last two decades, drought has become a major problem in the world, especially in arid and semi-arid regions such as Iran, so monitoring and managing it is important. Remote sensing and geographic information system (GIS) and remote sensing (RS) provide the ability to study various indicators to evaluate the types of droughts. So, in the present study, the drought of Iran using multi remote sensing indicators including precipitation condition index (PCI), temperature condition index (TCI), Vegetation Conditions Index (VCI), and the integrated under the heading the scaled drought condition Index (SDCI) during the statistical period 2000 to 2018 were evaluated. To evaluate the accuracy of the obtained results, these results were compared with the standardized precipitation-evapotranspiration index (SPEI). The results of this study showed that the three indices of PCI, VCI, and TCI are well matched. The results of the SDCI index indicated that severe droughts occurred in 2000, 2008, and 2017, which are consistent with SPEI index. It should be noted that minor differences between the two indicators (SDCI and SPEI) can be justified by the fact that the SPEI index is a climatic index that considers two parameters of temperature and precipitation for annual drought assessment, while the SDCI index in addition assessment to temperature and precipitation factors (‎meteorological drought), it also considers ‎agriculture drought and more comprehensively evaluates drought. Finally, it can be mentioned that based on the calculations performed, the SDCI has been more effective in assessing drought than other indicators used.

کلیدواژه‌ها [English]

Remote sensing
SPEI
drought Monitoring
Natural hazards

مراجع

حمزه سعید، فراهانی زهرا، مهدوی شهریار، چترآبگون امید، غلام نیا مهدی (1396)، پایش زمانی و مکانی خشکسالی کشاورزی با استفاده از داده‌های سنجش از دور مورد مطالعه: استان مرکزی ایران. تحلیل فضایی مخاطرات طبیعی، سال چهارم، شماره 3، صص 53-70. https://jsaeh.khu.ac.ir/article-1-2749-fa.html

خوشگفتار محمد مهدی، آخوند زاده هنزائی مهدی، خسروی ایمان (1398)، مقایسه روش های ARIMA و شبکه عصبی در مدل سازی و پایش وضعیت خشک‌سالی با استفاده از داده های سری زمانی سنجش از دوری (مطالعه موردی: شهر اراک). فصلنامه علمی- پژوهشی اطلاعات جغرافیایی" سپهر "، سال بیست و هشتم، شماره 109، صص 185-197. http://www.sepehr.org/article_35646.html.

دماوندی علی اکبر، رحیمی محمد، یزدانی محمدرضا، نوروزی علی اکبر(1395)، پایش مکانی خشک‌سالی کشاورزی از طریق سریهای زمانی شاخصهای NDVI و LST داده های MODIS. فصلنامه علمی- پژوهشی اطلاعات جغرافیایی" سپهر"، سال بیست و پنجم، شماره 99، صص 115-126. http://www.sepehr.org/article_23200.html

رضایی مقدم محمد حسین، ولیزاده کامران خلیل، رستمزاده هاشم، رضـایی علی (1391) ، ارزیـابی کـارایی داده هـای سـنجنده یMODIS در برآورد خشکسالی (مطالعه ی موردی: حوضه ی آبریز دریاچه ارومیه). مجلـه جغرافیـا و پایـداری محـیط، سال پنجم، شـماره 3، صص 37- 52. https://ges.razi.ac.ir/article_199.html

زینالی بتول، صفریان زنگیر وحید (1396)، پایش خشکسالی در حوضه دریاچه ارومیه با استفاده از شاخص فازی. مخاطرات محیط طبیعی، سال ششم، شماره 12، صص 37-62. https://jneh.usb.ac.ir/article_3075.html

سلیمانی کریم، درویشی شادمان، شکریان فاطمه (1398)، تحلیل خشکسالی کشاورزی با استفاده از شاخص‌های سنجش‌ازدور (مطالعه موردی: شهرستان مریوان)، سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی، سال دهم، شماره 2، صص 15-33. http://girs.iaubushehr.ac.ir/article_666803.html

عیوضی معصومه, مساعدی ابوالفضل(1390)، پایش و تحلیل مکانی خشکسالی هواشناسی در سطح استان گلستان با استفاده از روش های زمین آماری.‎ مجله مرتع و آبخیزداری، سال دوم، شماره1، صص65-78.

فاضل دهکردی لیلا، سهرابی طیبه السادات، قناویزباف محمد حسین، قضاوی رضا (1395)، پایش خشکسالی با استفاده از تصاویر سنجندۀ مودیس (MODIS) در مناطق خشک مطالعۀ موردی مراتع استان اصفهان. جغرافیا و برنامه ریزی محیطی، سال بیست و هفتم، شماره 3، صص 177-190. https://gep.ui.ac.ir/article_22080.html

فرج زاده منوچهر، احمدیان کلثوم (1393)، تحلیل زمانی و مکانی خشکسالی با استفاده از شاخص SPI در ایران. مخاطرات محیط طبیعی، سال سوم، شماره 4، صص 1-16. https://jneh.usb.ac.ir/article_2464.html

فیروزی فاطمه ، طاوسی تقی ، محمودی پیمان (1397)، بررسی حساسیت دو شاخص پوشش گیاهی NDVI و EVI به خشک‌سالی ها و ترسالی ها در مناطق خشک و نیمه خشک؛ مطالعه موردی: دشت سیستان ایران. فصلنامه علمی- پژوهشی اطلاعات جغرافیایی" سپهر"، سال بیست و هشتم، شماره 110، صص 163-179. http://www.sepehr.org/article_36621.html

کریمی مهشید، شاهدی کاکا، رضیئی طیب، میریعقوب زاده میرحسن (1398)، بررسی کارایی شاخص‌های پوشش‌گیاهی در تحلیل خشکسالی کشاورزی با استفاده از تکنیک سنجش از دور در حوزه آبخیز کرخه. سنجش از دور و GIS ایران، سال یازدهم، شماره 4، صص26-46. https://gisj.sbu.ac.ir/article_96855.html

یزدان پناه حجت اله، مومنی مهدی، مومنی مهدی، موحدی سعید، حسینقلی‌نژاد دزفولی حجت، موحدی سعید، سلیمانی تبار مریم (1393)، مقایسه شاخص‌های پوشش گیاهی سنجش از دور در پایش خشکسالی (مطالعه موردی مراتع نیمه شمال استان خوزستان). جغرافیا و برنامه ریزی محیطی، سال بیست و پنجم، شماره 2، صص 85-98. https://gep.ui.ac.ir/article_18663.html

AghaKouchak, A., Mehran, A., Norouzi, H., & Behrangi, A. (2012). Systematic and random error components in satellite precipitation data sets. Geophysical Research Letters, 39(9), 1-4.

Alijani, B., Ghohroudi, M., & Arabi, N. (2008). Developing a climate model for Iran using GIS. Theoretical and Applied Climatology, 92(1-2), 103-112.

Anyamba, A., & Tucker, C. J. (2012). Historical perspective of AVHRR NDVI and vegetation drought monitoring. Remote sensing of drought: innovative monitoring approaches, 23-50.

Bhuiyan, C., Singh, R. P., & Kogan, F. N. (2006). Monitoring drought dynamics in the Aravalli region (India) using different indices based on ground and remote sensing data. International Journal of Applied Earth Observation and Geoinformation, 8(4), 289-302.

Cao, Y., Chen, S., Wang, L., Zhu, B., Lu, T., & Yu, Y. (2019). An agricultural drought index for assessing droughts using a water balance method: A case study in Jilin Province, Northeast China. Remote Sensing, 11(9), 1-18.

Choi, T., Qu, J. J., & Xiong, X. (2013). A thirteen-year analysis of drought in the horn of Africa with MODIS NDVI and NWDI measurements. In 2013 Second International Conference on Agro-Geoinformatics (Agro-Geoinformatics) (pp. 302-307). doi:10.1109/ARGO-GEOINFORMATICS.2013.6621926.

Didan, K. (2015). MOD13A1 MODIS/Terra Vegetation Indices 16-Day L3 Global 500m SIN Grid V006 [Data set], NASA EOSDIS LP DAAC, DOI: 10.5067/MODIS/MOD13Q1.006.

Du, L., Tian, Q., Yu, T., Meng, Q., Jancso, T., Udvardy, P., & Huang, Y. (2013). A comprehensive drought monitoring method integrating MODIS and TRMM data. International Journal of Applied Earth Observation and Geoinformation, 23, 245-253.

Emadodin, I., Reinsch, T., & Taube, F. (2019). Drought and Desertification in Iran. Hydrology, 6(3), 1-12.

Enenkel, M., Steiner, C., Mistelbauer, T., Dorigo, W., Wagner, W., See, L., ... & Rogenhofer, E. (2016). A combined satellite-derived drought indicator to support humanitarian aid organizations. Remote Sensing, 8(4), 340.

Han, H., Bai, J., Yan, J., Yang, H., & Ma, G. (2019). A combined drought monitoring index based on multi-sensor remote sensing data and machine learning. Geocarto International, 1-16.

Hao, C., Zhang, J., & Yao, F. (2015). Combination of multi-sensor remote sensing data for drought monitoring over Southwest China. International Journal of Applied Earth Observation and Geoinformation, 35, 270-283.

Hayes, M. J., Svoboda, M. D., Wiihite, D. A., & Vanyarkho, O. V. (1999). Monitoring the 1996 drought using the standardized precipitation index. Bulletin of the American meteorological society, 80(3), 429-438.

Huffman, G. J., & Bolvin, D. T. (2013). TRMM and other data precipitation data set documentation. NASA, Greenbelt, USA, 28(2.3), 1.

Ji, T., Li, G., Yang, H., Liu, R., & He, T. (2018). Comprehensive drought index as an indicator for use in drought monitoring integrating multi-source remote sensing data: a case study covering the Sichuan-Chongqing region. International Journal of Remote Sensing, 39(3), 786-809.

Jiao, W., Tian, C., Chang, Q., Novick, K. A., & Wang, L. (2019). A new multi-sensor integrated index for drought monitoring. Agricultural and forest meteorology, 268, 74-85.

Jiao, W., Wang, L., Novick, K. A., & Chang, Q. (2019). A new station-enabled multi-sensor integrated index for drought monitoring. Journal of Hydrology, 574, 169-180.

Kogan, F. N. (1995). Application of vegetation index and brightness temperature for drought detection. Advances in space research, 15(11), 91-100.

Kogan, F. N. (1995). Droughts of the late 1980s in the United States as derived from NOAA polar-orbiting satellite data. Bulletin of the American Meteorological Society, 76(5), 655-668.

Kogan, F. N. (1997). Global drought watch from space. Bulletin of the American Meteorological Society, 78(4), 621-636.

Liu, W. T., & Kogan, F. N. (1996). Monitoring regional drought using the vegetation condition index. International Journal of Remote Sensing, 17(14), 2761-2782.

Lu, X., Wang, L., Pan, M., Kaseke, K. F., & Li, B. (2016). A multi-scale analysis of Namibian rainfall over the recent decade–Comparing TMPA satellite estimates and ground observations. Journal of Hydrology: Regional Studies, 8, 59-68.

Masoudi, M., & Hakimi, S. (2014). A new model for vulnerability assessment of drought in Iran using Percent of Normal Precipitation Index (PNPI). Iranian Journal of Science and Technology (Sciences), 38(4), 435-440.

Mishra, A. K., & Singh, V. P. (2010). A review of drought concepts. Journal of hydrology, 391(1-2), 202-216.

Nohegar, A., Heydarzadeh, M., & Malekian, A. (2013). Assessment of severity of droughts using geostatistics method (case study: Southern Iran). Desert, 18(1), 79-87.

Pei, F., Wu, C., Liu, X., Li, X., Yang, K., Zhou, Y., ... & Xia, G. (2018). Monitoring the vegetation activity in China using vegetation health indices. Agricultural and forest meteorology, 248, 215-227.

Qu, C., Hao, X., & Qu, J. J. (2019). Monitoring extreme agricultural drought over the Horn of Africa (HOA) using remote sensing measurements. Remote Sensing, 11(8), 902.

Rhee, J., Im, J., & Carbone, G. J. (2010). Monitoring agricultural drought for arid and humid regions using multi-sensor remote sensing data. Remote Sensing of Environment, 114(12), 2875-2887.

Rousta, I., Olafsson, H., Moniruzzaman, M., Ardö, J., Zhang, H., Mushore, T. D., ... & Azim, S. (2020). The 2000–2017 drought risk assessment of the western and southwestern basins in Iran. Modeling Earth Systems and Environment, 6(2), 1201-1221.

Shahabfar, A., Ghulam, A., & Eitzinger, J. (2012). Drought monitoring in Iran using the perpendicular drought indices. International Journal of Applied Earth Observation and Geoinformation, 18, 119-127.

Shen, R., Huang, A., Li, B., & Guo, J. (2019). Construction of a drought monitoring model using deep learning based on multi-source remote sensing data. International Journal of Applied Earth Observation and Geoinformation, 79, 48-57.

Singh, R. P., Roy, S., & Kogan, F. (2003). Vegetation and temperature condition indices from NOAA AVHRR data for drought monitoring over India. International journal of remote sensing, 24(22), 4393-4402.

Tabari, H., Talaee, P. H., Nadoushani, S. M., Willems, P., & Marchetto, A. (2014). A survey of temperature and precipitation-based aridity indices in Iran. Quaternary International, 345, 158-166.

Townshend, J. R., & Justice, C. O. (2002). Towards operational monitoring of terrestrial systems by moderate-resolution remote sensing. Remote Sensing of Environment, 83(2), 351-359.

Vicente‐Serrano, S. M., & López‐Moreno, J. I. (2006). The influence of atmospheric circulation at different spatial scales on winter drought variability through a semi‐arid climatic gradient in northeast Spain. International Journal of Climatology: A Journal of the Royal Meteorological Society, 26(11), 1427-1453.

Wan, Z., Hook, S., & Hulley, G. (2015). MOD11A1 MODIS/terra land surface temperature/emissivity Daily L3 Global 1 km SIN Grid V006 [Data set]. NASA EOSDIS LP DAAC, doi: 10.5067/MODIS/MOD11A1.006.

Wang, K., Li, T., & Wei, J. (2019). Exploring drought conditions in the Three River Headwaters Region from 2002 to 2011 using multiple drought indices. Water, 11(2), 1-20.

Yu, H., Li, L., Liu, Y., & Li, J. (2019). Construction of Comprehensive Drought Monitoring Model in Jing-Jin-Ji Region Based on Multisource Remote Sensing Data. Water, 11(5), 1077. doi:10.3390/w11051077.

Zarch, M. A. A., Malekinezhad, H., Mobin, M. H., Dastorani, M. T., & Kousari, M. R. (2011). Drought monitoring by reconnaissance drought index (RDI) in Iran. Water resources management, 25(13), 3485-3504.

Zhang, L., Jiao, W., Zhang, H., Huang, C., & Tong, Q. (2017). Studying drought phenomena in the Continental United States in 2011 and 2012 using various drought indices. Remote sensing of environment, 190, 96-106.

Zhang, Y., Xiao, X., Zhou, S., Ciais, P., McCarthy, H., & Luo, Y. (2016). Canopy and physiological controls of GPP during drought and heatwave. Geophysical Research Letters, 43(7), 3325-3333.

Zhang, X., Chen, N., Li, J., Chen, Z., & Niyogi, D. (2017). Multi-sensor integrated framework and index for agricultural drought monitoring. Remote Sensing of Environment, 188, 141-163.