بررسی عملکرد ترکیبی شاخص های سنجش از دوری در برآورد خشکسالی (منطقه مورد مطالعه: استان چهارمحال و بختیاری)

بابایی, الهام; اسدی, محمد امین; حسینی, سید زین العابدین; شاهمرادی, صلاح

doi:10.22111/jneh.2024.49797.2067

بررسی عملکرد ترکیبی شاخص های سنجش از دوری در برآورد خشکسالی (منطقه مورد مطالعه: استان چهارمحال و بختیاری)

نوع مقاله : مقاله پژوهشی

نویسندگان

¹ کارشناسی ارشد علوم و مهندسی آبخیزداری، دانشکده منابع طبیعی و کویرشناسی، دانشگاه یزد

² استادیار گروه مرتع و آبخیزداری، دانشکده منابع طبیعی و کویرشناسی، دانشگاه یزد

³ دانشیار گروه مرتع و آبخیزداری، دانشکده منابع طبیعی و کویرشناسی، دانشگاه یزد

⁴ کارشناسی ارشد سنجش از دور، دانشگاه یزد

10.22111/jneh.2024.49797.2067

چکیده

خشکسالی یکی از مهمترین مخاطرات طبیعی است که برآورد و پایش صحیح آن تاثیر زیادی بر مدیریت و کاهش خسارات ناشی از این پدیده دارد. امروزه علاوه بر شاخصهای خشکسالی مبتنی بر داده‌های اقلیمی، شاخص‌های سنجش از دوری خشکسالی نیز به طور گسترده خصوصا در مناطقی که با کمبود داده‌های اقلیمی مواجه هستند، مورد استفاده قرار می‌گیرند. با توجه به دسترسی مناسب به تصاویر ماهواره‌ای و اطلاعات قابل توجه ارائه شده توسط این تصاویر، این شاخص‌ها عملکرد نسبتا مناسبی را ارائه می‌دهند. همچنین شاخص‌های ترکببی سنجش از دوری شاخص‌های نسبتا جدید و چند متغیره‌ای هستند که برای پایش خشکسالی، تلفیقی از شاخص‌های سنجش از دوری را در نظر می‌گیرند. مطالعات نشان داده است اثربخشی این شاخص‌ها می تواند تحت تاثیر منطقه مورد مطالعه نیز قرار گیرد. با توجه به اهمیت ارزیابی کارآیی روش‌های نوین در پایش خشکسالی، عملکرد شاخص ترکیبی سنجش از دور CDI با شاخص‌های سنجش از دوری VCI، TCI، VHI و PCI در استان چهارمحال و بختیاری مقایسه گردید. شاخص CDI ترکیبی از شاخص‌های VCI، TCI و PCI می‌‌باشد. بدین منظور مقادیر شاخص‌های مذکور با مقادیر شاخص خشکسالی اقلیمی SPI در دوره آماری 2020-2001 و با در نظر گرفتن تاخیر زمانی 0 تا 8 ماه از طریق محاسبه ضریب تعیین مقایسه شدند. برای هر شاخص تاخیر زمانی که بالاترین ضریب تعیین را ارائه نمود، مشخص شد. برای محاسبه SPI، از داده‌های بارش 19 ایستگاه باران سنجی منطقه مطالعه در مقیاسهای زمانی 3 و 6 ماهه استفاده شد. نتایج نشان داد شاخص ترکیبی CDI با اختلاف قابل توجه بیشترین تطابق را با مقادیر SPI ارائه می‌دهد. بر اساس نتایج، بالاترین ضریب تعیین برای شاخص VCI در مقیاس زمانی شش ماهه با تاخیر زمانی 3 ماه به طور میانگین برابر 0.30 می‌باشد. برای شاخص TCI، مقدار R2 میانگین برابر 0.50 در هر دو مقیاس سه و شش ماهه و بدون تاخیر زمانی می‌باشد. R2 میانگین برای شاخص‌ VHI در مقیاس شش ماهه با تاخیر دو ماه برابر 0.41 محاسبه شد. ضریب تعیین میانگین برای PCI در مقیاس سه ماهه و بدون تاخیر زمانی برابر 0.32 به دست آمد. در نهایت شاخص CDI عملکرد بسیار بهتری را ارائه کرد. مقادیر R2میانگین در هر دو مقیاس زمانی سه و شش ماهه و بدون تاخیر زمانی برابر 0.83 به دست آمد. بنابراین در حالیکه هر یک از سه شاخص VCI، TCI و PCI به صورت مجزا تطابق نسبتا ضعیفی را با SPI ارائه کردند، تلفیق آنها در قالب شاخص CDI تطابق فابل توجهی را با SPI ارائه کرد.

کلیدواژه‌ها

موضوعات

مخاطرات محیط طبیعی

عنوان مقاله [English]

Performance evaluation of composite remote sensing indices in drought assessment (case study: Chaharmahal and Bakhtiari Province, Iran)

نویسندگان [English]

Elham Babaei ¹
Mohammad Amin Asadi Zarch ²
Seyed Zeinolabedin Hosseini ³
Salah Shahmoradi ⁴

¹ M.A of Watershed Science and Engineering, Faculty of Natural Resources and Desert Studies, Yazd University, Iran

² Assistant Professor, Faculty of Natural Resources and Desert Studies, Yazd University, Iran

³ Associate professor, Faculty of Natural Resources and Desert Studies, Yazd University, Iran

⁴ M.A of RS & GIS, Geography group, Yazd University, Iran

چکیده [English]

Drought is a significant natural disaster that requires monitoring to control and minimize its damages. In addition to climate-based drought indices, remote sensing drought monitoring indices are widely used today, especially in regions with limited climate data. These indices utilize satellite images and provide valuable information, resulting in relatively good performance. Furthermore, composite drought indicators are relatively new and multi-variable indices that combine remote sensing indicators for monitoring drought. Studies have shown that the effectiveness of these indicators can also be influenced by the study region. Given the importance of evaluating the performance of new methods in monitoring drought, this study compared the performance of a composite drought monitoring index, CDI, with the VCI, TCI, VHI, and PCI in Chaharmahal and Bakhtiari Province, Iran. CDI is a combination of VCI, TCI, and PCI. The values of the indices were compared with the SPI for the period of 2001-2020, with a time lag of 0 to 8 months by calculating the determination coefficient. For each index, the lag time that provided the highest R2 was identified. Precipitation data from 19 rain gauge stations in the study area were used to calculate the SPI on 3 and 6-month time scales. The results showed that the CDI presents by far the highest correlation with SPI values. The coefficient of determination for the VCI on a 6-month time scale with a 3-month time lag was on average 0.30. For the TCI, the average R2 is 0.50 in both the 3 and 6-month time scales without a time lag. The average R2 for the VHI on a 6-month time scale with a 2-month time lag was 0.41. The average coefficient of determination for the PCI index on a 3-month time scale without a time lag was just 0.32. The CDI index provided the best performance, with an average R2 of 0.73 in both the 3 and 6-month time scales without a time lag. While VCI, TCI, and PCI individually showed weak matching with the SPI, combining them into the CDI resulted in a significant correlation with the SPI.

کلیدواژه‌ها [English]

Drought
Chaharmahal and Bakhtiari
Remote sensing composite drought indices
MODIS
CDI

مراجع

ارجمندی، زهره؛ اسدی زارچ، محمد امین؛ حسینی، سید زین العابدین؛ اختصاصی، محمدرضا (1401)؛ پیش‌بینی خشکسالی در مناطق خشک با استفاده از مدلهای جهانی اقلیم (مطالعه موردی: استان یزد)، مهندسی اکوسیستم بیابان، 10(32), 97-112. 10.22052/DEEJ.2021.10.32.51

خدائی، مهسا؛ شاد، روزبه؛ مقصودی، یاسر (1394)؛ معرفی شاخصهای ماهوارهای خشکسالی و ارزیابی عملکرد آنها، همایش ملی مهندسی عمران و پژوهشهای نیاز محور، مشهد. https://civilica.com/doc/461245

خلیلی فرد، رامین؛ کرکه آبادی، زینب (1397)؛ بررسی اقلیم، زمین شناسی، شیب و عوامل محیطی در شهر شهرکرد و اطراف آن با توجه به نقشه های جغرافیایی، کنفرانس بین المللی امنیت، پیشرفت و توسعه پایدار مناطق مرزی، سرزمینی و کلانشهرها، راهکارها و چالش ها با محوریت پدافند غیر عامل و مدیریت بحران،تهران، https://civilica.com/doc/876098

دماوندی، علی اکبر؛ رحیمی، محمد؛ یزدانی، محمدرضا؛ نوروزی، علی اکبر (1395)؛ پایش مکانی خشکسالی کشاورزی از طریق سری های زمانی شاخص های NDVI و LST داده های MODIS (مطالعه موردی: استان مرکزی)، اطلاعات جغرافیایی، 25(99), 115-126. https://sid.ir/paper/253158/fa

زارع بیدکی، رفعت؛ یزدان دوست، امید؛ رحیمیان، محمدحسن؛ قرهی، نسرین (1401)؛ تلفیق اطلاعات اقلیمی و سنجش از دور در شاخص تلفیقی خشکسالی، به ‌منظور پهنه‌بندی خشکسالی در دشت یزد- اردکان، مدیریت اکوسیستم‌های طبیعی, 2(1), 36-48.doi: 0.22034/emj.2022.252719

شفیعی، بهمن؛ برقی، حمید؛ قنبری، یوسف (1398)؛ بررسی اثرات خشکسالی بر وضعیت اقتصادی, اجتماعی و محیطی نواحی روستایی از دید سرپرست خانوار (مطالعه موردی دهستان حسن آباد در شهرستان اسلام آباد غرب)، تحقیقات کاربردی علوم جغرافیایی (علوم جغرافیایی)، 19(55 ), 173-191. http://jgs.khu.ac.ir/article-1-3035-fa.html

شهبازی، خسرو؛ حشمتی، مسیب؛ سعیدی فر، زهرا (1399)؛ بررسی تاثیر تغییر اقلیم بر خشکسالی و خطر بیابان زایی در استان کرمانشاه، مدیریت بیابان، 8(16 )، 183-200. 10.22034/JDMAL.2021.243136

طباطبایی زاده، منیرالسادات؛ هادیان، فاطمه؛ حسینی، سید زین العابدین؛ برخورداری، جلال؛ خسروی، حسن (1393)؛ بررسی سازگاری گیاهان مناطق بیابانی نسبت به تغییرات بارندگی با استفاده از شاخص گیاهی NDVI (مطالعه موردی: دشت اردکان-عقدا)، اکوسیستم های طبیعی ایران، 5(1), 23-36. https://sanad.iau.ir/Journal/nei/Article/983440

عربی، زهرا؛ محمدی، شاهین (1400)؛ پایش مکانی- زمانی الگوی خشکسالی با استفاده از محصولات ماهواره‌ای در کشور ایران در طول دوره 2000 تا 2018، مخاطرات محیط طبیعی، https://doi.org/10.22111/jneh.2021.34785.1679

عظیمی، سجاد؛ خوش روش، مجتبی؛ قلعه نویی، محمدامین؛ پیروزی نژاد، سجاد (1396)؛ ارزیابی شاخص SPI جهت پهنه بندی شدت خشکسالی با مقایسه سه روش درونیابی Ordinary Kriging، IDW و Spline (مطالعه موردی: استان خراسان رضوی)، دومین کنفرانس ملی هیدرولوژی ایران،شهرکرد،https://civilica.com/doc/661411.

کاظم پور چورسی، سیما؛ عرفانیان، مهدی؛ عبادی نهاری، زهرا (1398)؛ ارزیابی داده های ماهواره ای MODIS و TRMM در پایش خشکسالی حوضه آبریز دریاچه ارومیه، جغرافیا و برنامه ریزی محیطی (مجله پژوهشی علوم انسانی دانشگاه اصفهان)، 30(2 (پیاپی 74) ), 17-33. https://doi.org/10.22108/gep.2019.115381.1115

کرمی، عزت اله (1395)؛ تغییر اقلیم، خشکسالی و تنگدستی در ایران: نگاهی به آینده، پژوهش های راهبردی در علوم کشاورزی و منابع طبیعی، 1(1 ), 63-80. https://doi.org/10.22047/srjasnr.2016.110532

محیط اصفهانی، پوریا؛ سلطانی کوپایی، سعید؛ مدرس، رضا؛ پورمنافی، سعید (1399)؛ ارزیابی شاخص خشکسالی چندمتغیره MSDI و پایش خشکسالی هواشناسی-کشاورزی در استان چهارمحال و بختیاری، علوم آب و خاک (علوم و فنون کشاورزی و منابع طبیعی)، 24(3 ), 33-47. https://sid.ir/paper/389858/en

مصطفی‌زاده، رئوف؛ ذبیحی، محسن (1395)؛ تحلیل و مقایسه شاخص‌های ‏SPI‏ و ‏SPEI‏ در ارزیابی خشک سالی هواشناسی با استفاده از نرم‌افزارR (بررسی موردی: استان کردستان)، فیزیک زمین و فضا، 42(3)، 633-643. https://doi.org/10.22059/jesphys.2016.57881

نظری پور, حمید (1394)؛ توسعه یک شاخص ترکیبی چندمتغیره بر پایه تحلیل مؤلفه مبنا برای ارزیابی خشک‌سالی‌های آب – هواشناختی در جنوب‌شرق ایران (مطالعه موردی: حوضه سد پیشین)، جغرافیا و مخاطرات محیطی, 4(3), 91-112. doi: 10.22067/geo.v4i3.31626

نظری‌پور، حمید؛ کریمی، زهرا؛ صداقت، مهدی (1395)؛ ارزیابی خشکسالی هیدرو-‌‌متئورولوژیکی برپایه شاخص تلفیقی خشکسالی و پیش‌‌بینی آن با زنجیره مارکوف در حوضه رودخانه سرباز (جنوب شرق ایران). علوم آب و خاک; ۲۰ (۷۵) :۱۵۱-۱۶۹. http://jstnar.iut.ac.ir/article-1-3282-fa.html

نظری‌پور، حمید؛ کریمی، زهرا؛ صداقت، مهدی (1395)؛ ارزیابی خشکسالی هیدرو-‌‌ متئورولوژیکی برپایه شاخص تلفیقی خشکسالی و پیش‌‌بینی آن با زنجیره مارکوف در حوضه رودخانه سرباز (جنوب شرق ایران). علوم آب و خاک; ۲۰ (۷۵) :۱۵۱-۱۶۹. http://jstnar.iut.ac.ir/article-1-3282-fa.html

Abramowitz, M., Stegun, I.A., (1968); Handbook of mathematical functions: with formulas, graphs, and mathematical tables (Vol. 55), Courier Corporation.

Alahacoon, N., Edirisinghe, M. (2022); A comprehensive assessment of remote sensing and traditionally based drought monitoring indices at global and regional scale. Geomatics, Natural Hazards and Risk, 13(1), 762-799. https://doi.org/10.1080/19475705.2022.2044394

Al Adaileh, H., Al Qinna, M., Barta, K., Al-Karablieh, E., Rakonczai, J., Alobeiaat, A., (2019). A Drought Adaptation Management System for Groundwater Resources Based on Combined Drought Index and Vulnerability Analysis. Earth Systems and Environment, 3, 445–461. https://doi.org/10.1007/s41748-019-00118-9.

Al-Bakri, J. T., Alnaimat, M. J., Al-Karablieh, E., & Qaryouti, E. A. (2019). Assessment of combined drought index and mapping of drought vulnerability in Jordan. International Journal of Engine Research Application, 9(3), 59-68. DOI:10.9790/9622-0903015967.

Asadi Zarch, MA., (2022); Past and Future Global Drought Assessment. Water Resources Management, 36, 5259-5276. https://doi.org/10.1007/s11269-022-03304-z

Asadi Zarch, M.A., Sivakumar, B., Sharma, A., (2015); Droughts in a warming climate: a global assessment of Standardized precipitation index (SPI) and Reconnaissance drought index (RDI), Journal of Hydrology, 526, 183-195. https://doi.org/10.1016/j.jhydrol.2014.09.071

Ault, T. R. (2020); On the essentials of drought in a changing climate. Science, 368(6488), 256-260. https://doi.org/10.1126/science.aaz5492

Balint, Z., Mutua, F., Muchiri, P., Omuto, C. T. (2013); Monitoring drought with the combined drought index in Kenya, In Developments in earth surface processes (Vol. 16, pp. 341-356). https://doi.org/10.1016/B978-0-444-59559-1.00023-2

Bayissa, Y. A., Tadesse, T., Svoboda, M., Wardlow, B., Poulsen, C., Swigart, J., Van Andel, S. J. (2019); Developing a satellite-based combined drought indicator to monitor agricultural drought: A case study for Ethiopia, GIScience & Remote Sensing, 56(5), 718-748. https://doi.org/10.1080/15481603.2018.1552508

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. https://doi.org/10.1016/j.jag.2012.09.010

Ghazala, Q., Shahina, T., Shahzada, A., Muhammad, L., (2021); Evaluation of a composite drought index to identify seasonal drought and its associated atmospheric dynamics in Northern Punjab, Pakistan, Journal of Arid Environments, 185, 104332. https://doi.org/10.1016/j.jaridenv.2020.104332.

Ji, L., Peters, A. J. (2003); Assessing vegetation response to drought in the northern Great Plains using vegetation and drought indices, Remote sensing of Environment, 87(1), 85-98. https://doi.org/10.1016/S0034-4257(03)00174-3

Kogan, F., Stark, R., Gitelson, A., Jargalsaikhan, L., Dugrajav, C., Tsooj, S. (2004); Derivation of pasture biomass in Mongolia from AVHRR-based vegetation health indices, International Journal of Remote Sensing, 25(14), 2889-2896. https://doi.org/10.1080/01431160410001697619

Kogan, F. N. (1995); Application of vegetation index and brightness temperature for drought detection, Advances in space research, 15(11), 91-100. https://doi.org/10.1016/0273-1177(95)00079-T

Kukunuri, A. N. J., Murugan, D., Singh, D. (2020); Variance-based fusion of VCI and TCI for efficient classification of agriculture drought using MODIS data, Geocarto International, 37(10), 2871–2892. https://doi.org/10.1080/10106049.2020.1837256

Liu, Q., Zhang, S., Zhang, H., Bai, Y., Zhang, J. (2020); Monitoring drought using composite drought indices based on remote sensing. Science of the total environment, https://doi.org/10.1016/j.scitotenv.2019.134585

Livada, I., Assimakopoulos, V. (2007); Spatial and temporal analysis of drought in Greece using the Standardized Precipitation Index (SPI), Theor. Appl. Climatol, 89, 143–153 (2007). https://doi.org/10.1007/s00704-005-0227-z

Maina, F. Z., Kumar, S. V. (2023); diverging trends in rain‐on‐snow over High Mountain Asia. Earth's Future, 11(3), e2022EF003009. https://doi.org/10.1029/2022EF003009

McKee, T. B., Doesken, N. J., Kleist, J. (1993); The relationship of drought frequency and duration to time scales, In Proceedings of the 8th Conference on Applied Climatology (Vol. 17, No. 22, pp. 179-183).

Orimoloye, I. R., Belle, J. A., Orimoloye, Y. M., Olusola, A. O., Ololade, O. O. (2022); Drought: A common environmental disaster, Atmosphere, 13(1), 111. https://doi.org/10.3390/atmos13010111

Parvaze, S., Kumar, R., Khan, J. N., & Parvaze, S. (2023); Climate change, drought, and water resources. In Integrated Drought Management, Volume 1 (pp. 541-568). CRC Press. https://doi.org/10.1201/9781003276555

Pratap, S., Markonis, Y. (2022); The response of the hydrological cycle to temperature changes in recent and distant climatic history, Progress in Earth and Planetary Science, 9(1), 30. https://doi.org/10.1186/s40645-022-00489-0

Torabi Haghighi, A., Abou Zaki, N., Rossi, P. M., Noori, R., Hekmatzadeh, A. A., Saremi, H., Kløve, B. (2020); Unsustainability syndrome from meteorological to agricultural drought in arid and semi-arid regions. Water, 12(3), 838. https://doi.org/10.3390/w12030838

Zhang, R., Shangguan, W., Liu, J., Dong, W., & Wu, D. (2024); Assessing meteorological and agricultural drought characteristics and drought propagation in Guangdong, China. Journal of Hydrology: Regional Studies, 51, 101611. https://doi.org/10.1016/j.ejrh.2023.101611

Zou, L., Cao, S., Sanchez-Azofeifa, A. (2020); Evaluating the utility of various drought indices to monitor meteorological drought in Tropical Dry Forests, Int J Biometeorol, 64, 701–711, https://doi.org/10.1007/s00484-019-01858-z.