• صفحه اصلی
  • بررسی روند خشکسالی با استفاده از تصاویر ماهواره‌ای (مطالعه موردی: استان آذربایجان غربی)

اشتراک گذاری

آدرس مقاله


کد مقاله : 140305191128618 بازدید : 412 صفحه: 19 - 38

https://doi.org/10.71787/10.71787/ntigs.2025.1128618

نوع مقاله: پژوهشی

بررسی روند خشکسالی با استفاده از تصاویر ماهواره‌ای (مطالعه موردی: استان آذربایجان غربی)

محورهای موضوعی : سنجش از دور و GIS

احسان سوره 1 , محمدصادق زنگنه 2 * , دکتر اکرم کرامت 3

1 - کارشناسی ارشد آب و هواشناسی، دانشگاه کردستان، کردستان، ایران
2 - کارشناسی ارشد GIS، سازمان نظام مهندسی کشاورزی و منابع طبیعی استان خوزستان، ایران.
3 - گروه سنجش از دور و سیستم اطلاعات جغرافیایی، واحد دزفول،دانشگاه آزاد اسلامی،دزفول، ایران.

تاریخ دریافت : 1403/05/19 تاریخ پذیرش : 1403/07/07 تاریخ انتشار : 1403/07/09

کلید واژه: آذربایجان‌غربی, تصاویرماهواره, خشک‌سالی, شاخص‌های خشک‌سالی, MODIS.,

چکیده مقاله :

خشک‌سالی یک پدیده آب و هواشناسی پیچیده بوده که متکی به چندین عامل محیطی است. این پدیده یک بلای طبیعی رایج بوده که بعنوان یکی از دغدغه‌های اکولوژیکی، هیدرولوژیکی، کشاورزی و اقتصادی بشر شناخته شده است. در این پژوهش به کمک داده‌های ماهواره‌ای و سامانه گوگل ارث انجین به مطالعه پدیده خشک‌سالی در استان آذربایجان غربی پرداخته شده است. در راستای تحقق این پژوهش، چهار شاخص SPI، NDVI، VCI و TCI انتخاب و برای یک دوره 23 ساله از تصاویر ماهواره‌ای سال‌های 2000 تا 2022 استفاده گردید. در این مطالعه تعداد 526 تصویر برای شاخص‌های NDVI، VCI و TCI و 8081 تصویر جهت محاسبه شاخص SPI  استفاده گردید. نتایج پژوهش نشان داد، در سال‌های 2000، 2008، 2015، 2017، 2021 و 2022 خشک‌سالی‌های شدید و متوسط در بیشتر پهنه استان تجربه شده و همچنین در سال‌های 2002، 2006، 2009، 2010، 2011 و 2019 در قسمت‌های مرکزی، شمالی و جنوبی استان ترسالی‌های مختلفی وجود داشته است. همچنین شرایط نرمال نیز در سال‌های 2001، 2004، 2005، 2007، 2012 تا 2014 و 2016 در تمامی مناطق استان وجود داشته است. در مقایسه بین نتایج شاخص‌ها می‌توان بیان نمود که در پهنه استان آذربایجان غربی شاخص VCI و SPI حساس‌ترین شاخص برای شناسایی خشک‌سالی بوده که قادرند انواع خشک‌سالی‌ها را به خوبی شناسایی کنند. همچنین شاخص NDVI با توجه به حساسیت نسبتاً خوبی که برای شناسایی خشک‌سالی دارد، قادر است کاهش پوشش گیاهی در سال‌های خشک‌سالی را نشان دهد. در مجموع نتایج این پژوهش نشان داد که استان آذربایجان غربی در معرض خطر خشک‌سالی است.

چکیده مبسوط فارسی

مقدمه

پایش خشک‌سالی به طور سنتی براساس مشاهدات ایستگاه‌های هواشناسی بوده است.  اخیرا شناسایی خشک‌سالی با استفاده از شاخص‌های خشک‌سالی محقق شده است. با استفاده از این شاخص‌ها می توان گستره و شدت خشک‌سالی را از لحاظ زمانی و مکانی تعیین کرد. پژوهشگران شاخص‌های محاسبه‌شده عددی را برای بررسی اثرات خشک‌سالی در یک منطقه ارائه می‌کنند. شاخص‌ها وضعیت کیفی خشک‌سالی را در یک منطقه خاص برای یک دوره زمانی توصیف کرده و ارزیابی کمی از شدت و مدت زمان آن ارائه می‌دهند. هر یک از این شاخص‌ها اهمیت خاصی داشته و به همان اندازه نقش مهمی در ارزیابی خشک‌سالی ایفا خواهند کرد. شاخص‌های خشک‌سالی معیارهای کمی هستند که سطوح خشک‌سالی را با جذب داده‌های یک یا چند متغیر مثل بارش، تبخیر و تعرق در یک مقدار عددی مشخص می‌کنند. اطلاعات در مورد شدت خشک‌سالی می‌تواند در اختیار تصمیم گیرندگان قرار گیرد و در صورت نیاز برای راه اندازی طرح‌های اضطراری خشک‌سالی استفاده استفاده و تصمیم‌گیری شود. از زمانی که مفهوم شاخص‌های خشک‌سالی بین محققین جای پیدا کرد، شاخص‌های متعددی توسعه یافته‌اند. برخی از این شاخص‌ها شامل: شاخص شدت خشک‌سالی پالمر (PDSI)، شاخص ناهنجاری بارندگی (RAI)، شاخص رطوبت محصول (CMI)، شاخص خشک‌سالی بالم و مولی (BMDI)، شاخص تامین آب سطحی (SWSI)، شاخص ملی بارندگی (NRI)، شاخص‌ بارش استاندارد شده (SPI)، شاخص خشک‌سالی احیا (RDI)، شاخص خشک‌سالی رطوبت خاک (SMDI)، شاخص خشک‌سالی محصول ویژه(CSDI)، شاخص خشک‌سالی پوشش گیاهی (NDVI) و غیره می‌باشند.

داده و روش

گوگل یک سامانه ابری به نام گوگل ارث انجین ایجاد کرده تا به طور موثر چالش‌های تجزیه و تحلیل داده‌های بزرگ را برطرف کند. این پلتفرم در سال 2010 راه اندازی و پتانسیل بالای خود را برای کاربردهای مختلف ثابت کرده است . گوگل ارث انجین یک سامانه برای ذخیره، پردازش، تجزیه و تحلیل و تصمیم‌گیری داده‌های عظیم است. این سامانه رایگان حجم زیادی از تصاویر سنجش از راه دوری را برای استفاده در دسترس عموم قرار می‌دهد. این پلتفرم برای دسترسی به حساب کاربری نیاز داشته و برای مقاصد آموزشی و پژوهشی رایگان است. در این سامانه پردازش موازی با سرعت بالا و الگوریتم‌های یادگیری ماشین انجام شده و دارای کتابخانه‌ای از روابط‌ برنامه‌نویسی کاربردی با محیط‌های توسعه‌ایی که از زبان‌های برنامه‌نویسی محبوب نظیر جاوا اسکریپت و پایتون پشتیبانی می‌کنند. توسعه گوگل ارث انجین اشتیاق و مشارکت زیادی در زمینه‌های سنجش از دوری و علم داده‌های مکانی ایجاد کرده است.

بحث و یافته ها

خشک‌سالی پدیده‌ای طبیعی است که با کمبود منابع آب در یک منطقه جغرافیایی بزرگ همراه است و در طول دوره زمانی قابل توجهی گسترش می‌یابد. این پدیده طبیعی دارای انوع مختلفی است. خشک‌سالی کشاورزی (خشکی محصولات زراعی)، خشک‌سالی هواشناسی (بارش کمتر از حد نرمال)، خشک‌سالی هیدرولوژیکی (سطح پایین آب در نهرها، مخازن و آبهای زیرزمینی) و خشک‌سالی اقتصادی-اجتماعی از انواع خشک‌سالی می‌باشد. در پژوهش حاضر دو هدف بکارگیری داده‌های سنجنده MODIS و کارایی شاخص‌های سنجش‌ازدوری در پایش خشک‌سالی در استان آذربایجان غربی دنبال شد. این پژوهش با هدف پایش خشک‌سالی و ارزیابی قابلیت داده‌های ماهواره‌ای در استان آذربایجان غبی انجام شد. بهره‌گیری از داده‌ها و اطلاعات هواشناسی و کشاورزی در محاسبه شاخص‌ها، ترکیب شاخص‌های به منظور پایش جامع خشک‌سالی و ارزیابی نتایج آن، از مزایای پژوهش جاضر محسوب می‌شود. در این تحقیق، از شاخص NDVI به عنوان یکی از روش‌های مؤثر سنجش از دور برای ارزیابی وضعیت تغییرات پوشش گیاهی استفاده شده است. این شاخص از ترکیب باندهای قرمز و مادون قرمز نزدیک در تصاویر ماهواره‌ای استخراج می‌شود. مقادیر شاخص NDVI در محصولاتMODI3A1  تصاویر مادیس ارائه شده‌اند. در این مطالعه، برای جداسازی مناطق دارای پوشش گیاهی از مناطق فاقد پوشش گیاهی، از روش آستانه گذاری پوشش گیاهی استفاده شد. مقادیر آستانه با توجه به شرایط منطقه و اطلاعات جانبی علم و تجربه تعیین و اعمال شدند. در این پژوهش، مناطق با مقادیر NDVI بزرگتر از ۰.۴ به عنوان مناطق دارای پوشش گیاهی مشخص شدند. نقشه‌های پوشش گیاهی از داده‌های 8 روزه استخراج و سپس جهت تطابق زمانی با دیگر شاخص‌ها به 16 روزه تبدیل شدند و برای کل سال میانگین آن محاسبه شد.

نتیجه گیری

در مجموع نتایج این تحقیق نشان داد که استان آذربایجان غربی در معرض خطر خشک‌سالی است. شدت خشک‌سالی در این استان طی دوره مربوطه متغیر بوده است و در برخی سال‌ها خشک‌سالی‌های شدید در برخی مناطق رخ داده است. پوشش گیاهی در این استان نیز در سال‌های خشک‌سالی کاهش می‌یابد. بنابراین مدیریت منابع آب و خاک در استان آذربایجان غربی باید با توجه به خطر خشک‌سالی صورت گیرد. در مقایسه بین نتایج چهار شاخص مورد مطالعه، می‌توان گفت که در پهنه استان آذربایجان غربی شاخص VCI و SPI حساس‌ترین‌ها برای شناسایی خشک‌سالی بوده که قادرند انواع خشک‌سالی‌ها را به خوبی شناسایی کنند. شاخص NDVI نیز حساسیت نسبتاً خوبی برای شناسایی خشک‌سالی دارد و قادر است کاهش پوشش گیاهی در سال‌های خشک‌سالی را بررسی و نشان دهد. همچنین شاخص‌ TCI حساسیت کمتری برای شناسایی خشک‌سالی دارد و بیشتر خشک‌سالی‌های خفیف را شناسایی می‌کند.نهایتا می‌توان گفت که داده‌های MODIS و شاخص VCI می‌توانند جایگزین مناسبی برای شاخص‌های هواشناسی جهت پایش خشک‌سالی باشند و باتوجه به اینکه در تصاویر ماهواره‌ای، تعداد نقاط نمونه‌برداری بسیار بیشتر از تعداد ایستگاه‌های زمینی است، بکارگیری داده‌های سنجش‌از دوری پیشنهاد می‌شود. همچنین استفاده از نقشه‌های حاصل از شاخص‌های ارزیابی خشک‌سالی می‌تواند به بهبود برنامه‌های مدیریت خشک‌سالی کمک نموده و نقش بسزایی را در کاهش اثرات خشک‌سالی ایفا می‌کند.

 منابع

1.آرخی، صالح، برزگر سواسری، مرضیه، وعمادالدین، سمیه(١٤٠١). بررسی کارایی شاخص‌های منتج از فناوری سنجش از دور VCI، TCI و VHI در ارزیابی خشک‌سالی با تصاویر مودیس (مطالعه موردی مناطق مرکزی ایران). مجله جغرافیا و مخاطرات محیطی. 11 (3)،189-224

2.اسمعیلی، حسین، میرموسوی، سیدحسین، وسهیلی، اسماعیل(١٤٠٠). بررسی سری زمانی خشک‌سالی کشاورزی شهرستان داراب با استفاده از سنجش از دور و سامانه گوگل ارث انجین. مجله جغرافیا و مخاطرات محیطی. ١٠ (4)،175-192

3.افتخاری، مبین، محمودی‌زاده، سعید، قزل سوفلو، عباسعلى، اسماعیلی، علی، واکبری، محمد(1400). تحلیل و پایش زمانی و مکانی خشک‌سالی با استفاده از محصولات سنجنده MODIS مطالعه موردی استان اصفهان. مجله علوم جغرافیایی (جغرافیای کاربردی). 17(34)، 17-27

4.باعقیده، محمد، وضیاییان، پرویز(1390) بررسی امکان استفاده از شاخص پوشش گیاهی NDVI در تحلیل خشک‌سالی های استان اصفهان. مجله مطالعات جغرافیایی مناطق خشک. 1(4)، 1-16.

5.جهانگیر، محمدحسین، ومشیدی، ضحی(1399). ارزیابی پایش خشک‌سالی کشاورزی مبتنی بر سنجش از دور با استفاده از شاخص استاندارد شده بارش در ماه های رشد (مطالعه موردی: حوضه آبریز کارون بزرگ). مجله آبیاری و زهکشی ایران، 14(4 )، 1264-1252.

6.رضایی‌مقدم، محمدحسین، ولی زاده کامران، خلیل، رستم زاده، هاشم، و رضایی، علی (1391). ارزیابی کارایی داده های سنجنده MODIS دربرآورد خشک‌سالی(مطالعه‌موردی: حوضه‌آبریز دریاچه ارومیه). جغرافیا و پایداری محیط (پژوهشنامه جغرافیایی)، 2(5)، 37-52.

7.سیدی قلدره، جمال، احمدی، سلمان، وغلام نیا، مهدی(1401). ارزیابی شاخص‌های سنجش از دوری پایش خشک‌سالی با استفاده از رگرسیون بردار پشتیبان و مدل های جنگل تصادفی (مطالعه موردی: شهرستان مریوان). نشریه علمی مهندسی فناوری اطلاعات مکانی،10(3) ، 121-141. ‎

8.قاسمی، پوریا، مسعودکرباسی، مسعود، زمانی‌نوری، علیرضا، وسرائی‌تبریزی، مهدی(1400) پایش وپهنه بندی خشک‌ سالی در البرز جنوبی، مجله جغرافیا و مطالعات محیطی،10(39) ،90-104.

9.قلی‌زاده، محمدحسین(1383) پیش‌بینی و پیش‌آگاهی خشک‌سالی در غرب ایران. دانشگاه تربیت معلم تهران. پایان‌نامه دکتری اقلیم‌شناسی، 189

10.کاظم پورچورسی، سیما، عرفانیان، مهدی، و 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)،17-33.

11.متین‌فر، حمیدرضا؛ شمسی پور، علی‌اکبر؛ صادقی، حدیث(1402) پایش خشک‌سالی بوم شناختی زاگرس میانی بر پایه داده‌های ماهواره لندست ۷ و داده‌های اقلیمی (مطالعه موردی: استان لرستان). سنجش از دور و GIS ایران، 15( 3)، 142-125.

چکیده انگلیسی:

Abstract

Drought is a complex meteorological phenomenon that depends on several environmental factors. This phenomenon is a common natural disaster that is recognized as one of the ydrological, agricultural, and economic concerns of humanity. In this study, ecological, hsatellite data and Google Earth Engine were used to investigate the drought phenomenon in I, West Azerbaijan province. In order to achieve this research goal, four indices, namely SPyear period from satellite images -23NDVI, VCI, and TCI, were selected and utilized for a images were used for the NDVI, VCI, and TCI 526In this study, . 2022 to 2000of the years ch results showed images were used to calculate the SPI index. The resear 8081indices, and that severe and moderate droughts were experienced in most parts of the province in the Additionally, various levels of drought . 2022and , 2021, 2017, 2015, 2008, 2000 years , 2006, 2002ince in the years existed in the central, northern, and southern parts of the prov 2009 , 2010 , 2011 , Moreover, normal conditions were observed in all areas of . 2019and and 2014to 2012and from , 2007, 2005, 2004, 2001the province in the years 2016. t the VCI and SPI indices were the Comparing the results of the indices, it can be stated thamost sensitive indices for drought identification in the West Azerbaijan province, as they were able to effectively identify different types of droughts. Furthermore, the NDVI index, for drought identification, can indicate a decrease in due to its relatively good sensitivityvegetation cover during drought years. Overall, the results of this study demonstrated that West Azerbaijan province is at risk of drought.

Extended Abstract

Introduction

Traditionally, drought monitoring has relied on observations from meteorological stations. Recently, drought identification has been achieved through the use of drought indices. These indices allow for the determination of the extent and intensity of drought in both temporal and spatial dimensions. Researchers provide numerical indices to assess the impacts of drought in a region. The indices describe the qualitative status of drought in a specific area over a given time period and provide a quantitative assessment of its intensity and duration. Each of these indices holds particular significance and plays an equally important role in drought assessment. Drought indices are quantitative metrics that define drought levels by assimilating data from one or more variables, such as precipitation, evapotranspiration, into a specific numerical value. Information regarding drought intensity can be made available to decision-makers and utilized for initiating emergency drought response plans when necessary. Since the concept of drought indices gained traction among researchers, numerous indices have been developed. Some of these indices include the Palmer Drought Severity Index (PDSI), Rainfall Anomaly Index (RAI), Crop Moisture Index (CMI), Balme and Moli Drought Index (BMDI), Surface Water Supply Index (SWSI), National Rainfall Index (NRI), Standardized Precipitation Index (SPI), Reconnaissance Drought Index (RDI), Soil Moisture Drought Index (SMDI), Crop-Specific Drought Index (CSDI), and Vegetation Drought Index (NDVI), among others.

 Data and Methodology

Google has developed a cloud-based system called Google Earth Engine to effectively address the challenges of big data analysis. Launched in 2010, this platform has demonstrated its high potential for various applications. Google Earth Engine serves as a system for storing, processing, analyzing, and making decisions based on vast amounts of data. This system provides free access to a large volume of remote sensing imagery for public use. Access to the platform requires a user account and is free for educational and research purposes. The system performs high-speed parallel processing with machine learning algorithms and features a library of application programming interfaces compatible with development environments that support popular programming languages such as JavaScript and Python. The development of Google Earth Engine has fostered significant enthusiasm and participation in the fields of remote sensing and spatial data science.

 Results and Discussion

Drought is a natural phenomenon characterized by a shortage of water resources in a large geographical area, extending over a significant period. This natural phenomenon manifests in various forms, including agricultural drought (crop dryness), meteorological drought (below-normal precipitation), hydrological drought (low water levels in streams, reservoirs, and groundwater), and socio-economic drought. This study pursued two objectives: the utilization of MODIS satellite data and the effectiveness of remote sensing indices in monitoring drought in West Azerbaijan Province. The research aimed to monitor drought and evaluate the capability of satellite data in West Azerbaijan Province. The use of meteorological and agricultural data in calculating indices, the combination of indices for comprehensive drought monitoring, and the assessment of results are considered advantages of this study. In this research, the NDVI index was employed as an effective remote sensing method for evaluating changes in vegetation cover. This index is derived from the combination of red and near-infrared bands in satellite imagery. NDVI values are provided in MODIS product MOD13A1. In this study, a vegetation cover thresholding method was used to distinguish areas with vegetation cover from those without. Threshold values were determined and applied based on regional conditions and ancillary information, drawing from scientific knowledge and experience. In this research, areas with NDVI values greater than 0.4 were identified as having vegetation cover. Vegetation cover maps were extracted from 8-day data and subsequently converted to 16-day intervals for temporal alignment with other indices, with an average calculated for the entire year.

 Conclusion

Overall, the results of this study indicate that West Azerbaijan Province is at risk of drought. The intensity of drought in this province has varied over the relevant period, with severe droughts occurring in certain years in specific areas. Vegetation cover in this province also decreases during drought years. Therefore, water and soil resource management in West Azerbaijan Province should be conducted with consideration of the drought risk. In comparing the results of the four indices studied, it can be concluded that the VCI and SPI indices are the most sensitive for identifying drought in the region, effectively detecting various types of drought. The NDVI index also shows relatively good sensitivity for identifying drought and can assess and indicate reductions in vegetation cover during drought years. Additionally, the TCI index exhibits lower sensitivity for drought identification, primarily detecting mild droughts. Ultimately, it can be stated that MODIS data and the VCI index can serve as suitable alternatives to meteorological indices for drought monitoring. Given that the number of sampling points in satellite imagery far exceeds the number of ground stations, use of remote sensing data is recommended. The use of maps derived from drought assessment indices can significantly enhance drought management programs and play a crucial role in mitigating the impacts of drought.

 References English and Persian

  1. Aksoy, S., Sertel, E., (2022) Comparison of landsat and modis derived vegetation health indices for Drought monitoring using google earth engine platform.
  2. Ali Baig, M. H., Abid, M., Khan, M. R., Jiao, W., Amin, M., Adnan, S., (2020) Assessing meteorological and agricultural drought in Chitral Kabul river basin using multiple drought indices. Remote Sensing, 12(9), 1417.
  3. Amani, M., Ghorbanian, A., Ahmadi, S. A., Kakooei, M., Moghimi, A., Mirmazloumi, S. M., Brisco, B., (2020) Google earth engine cloud computing platform for remote sensing big data applications: A comprehensive review. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 13, 5326-5350.
  4. , S. Barzegar Savasari., M. & Emadoddin., S. (2022). Evaluation of the effectiveness of indices derived from remote sensing technology VCI, TCI, and VHI in drought assessment using MODIS images (Case study of central Iran). Journal of Geography and Environmental Hazards, 11(3), 189-224. ( in Persian)
  5. , M. & Vazaiyan., P. (2011). Investigating the potential use of the NDVI vegetation index in analyzing droughts in Isfahan Province. Journal of Geographic Studies in Arid Regions, 1(4), 1-16. ( in Persian)
  6. Bayarjargal, Y., Karnieli, A., Bayasgalan, M., Khudulmur, S., Gandush, C., Tucker, C. J., (2006) A comparative study of NOAA–AVHRR derived drought indices using change vector analysis. Remote Sensing of Environment, 105(1), 9-22.
  7. Benzougagh, B., Meshram, S. G., El Fellah, B., Mastere, M., Dridri, A., Sadkaoui, D., Khedher, K. M., (2022) Combined use of Sentinel-2 and Landsat-8 to monitor water surface area and evaluated drought risk severity using Google Earth Engine. Earth Science Informatics, 15(2), 929-940.
  8. Cancelliere, A., Loukas, A., Pangalou, D., Rossi, G., Tigkas, D., Tsakiris, G., Vangelis, H., (2007) Drought characterization [Part 1. Components of drought planning. 1.3. Methodological component]. Drought management guidelines technical annex, 85-102.
  9. Chen, Y., Yang, J., Xu, Y., Zhang, W., Wang, Y., Wei, J., & Cheng, W. (2022). Remote-Sensing Drought Monitoring in Sichuan Province from 2001 to 2020 Based on MODIS Data. Atmosphere, 13(12), 1970.
  10. Cunha, A. P. M., Zeri, M., Deusdará Leal, K., Costa, L., Cuartas, L. A., Marengo, J. A., Ribeiro-Neto,­G.,(2019)Extreme drought events over Brazil from 2011 to 2019. Atmosphere, 10(11), 642.
  11. Dutta, R., (2018) Drought monitoring in the dry zone of Myanmar using MODIS derived NDVI and satellite derived CHIRPS precipitation data. Sustainable Agriculture Research, 7(2), 46-55.
  12. Dwiyaniek, R., Sukojo, B. M., Bioresita, F.,(2021) Drought Monitoring in Gresik Regency East Java using Satellite Image Time Series and Google Earth Engine. In IOP Conference Series: Earth and Environmental Science(Vol. 936, No. 1, p. 012003). IOP Publishing.
  13. , M. Mahmoudizadeh., S. Ghazal Souflou., A.A. Esmaeili., A. & Vakbari., M. (2021). Temporal and spatial analysis and monitoring of drought using MODIS sensor products: A case study of Isfahan Province. Journal of Geographic Sciences (Applied Geography), 17(34), 17-27. ( in Persian)
  14. , H. Mirmousavi., S.H. & Voseili., I. (2021). Time series analysis of agricultural drought in Darab County using remote sensing and Google Earth Engine. Journal of Geography and Environmental Hazards, 10(4), 175-192. ( in Persian)
  15. , P. Masoud Karbasi., M. Zamani Noori., A.R. & Vasarai Tabrizi., M. (2021). Monitoring and mapping drought in Southern Alborz. Journal of Geography and Environmental Studies, 10(39), 90-104. ( in Persian)
  16. , M.H. (2004). Prediction and early warning of drought in western Iran. Tarbiat Modares University, Tehran. PhD thesis in Climatology, 189. ( in Persian)
  17. Gorelick, N., Hancher, M., Dixon, M., Ilyushchenko, S., Thau, D., Moore, R., (2017) Google Earth Engine: Planetary-scale geospatial analysis for everyone. Remote sensing of Environment, 202, 18-27.
  18. Gulácsi, A., & Kovács, F.,(2015) Drought monitoring with spectral indices calculated from MODIS satellite images in Hungary. Journal of Environmental Geography, 8(3-4), 11-20.
  19. Haied, N., Foufou, A., Chaab, S., Azlaoui, M., Khadri, S., Benzahia, K., Benzahia, I.,(2017) Drought assessment and monitoring using meteorological indices in a semi-arid region. Energy Procedia, 119, 518-529.
  20. Heck, E., de Beurs, K. M., Owsley, B. C., Henebry, G. M., (2019)Evaluation of the MODIS collections 5 and 6 for change analysis of vegetation and land surface temperature dynamics in North and South America.ISPRS Journal of Photogrammetry and Remote Sensing, 156, 121-134.
  21. , M.H. & Moshidi., Z. (2020). Assessment of agricultural drought monitoring based on remote sensing using the standardized precipitation index during growth months (Case study: Karun River Basin). Journal of Irrigation and Drainage Engineering of Iran, 14(4), 1264-1252. ( in Persian)
  22. Kazempour Chorsi., S. Irfaniyan., M. & Abadi Nahari,. Z. (2019). Evaluation of MODIS and TRMM satellite data in monitoring drought in the Urmia Lake Basin. Geography and Environmental Planning (Research Journal of Humanities, University of Isfahan), 30(2), 17-33. ( in Persian)
  23. Khan, R., Gilani, H., (2021)b. Global drought monitoring with drought severity index (DSI) using Google Earth Engine. Theoretical and Applied Climatology, 146(1-2), 411-427.
  24. Khan, R., Gilani, H., Iqbal, N., Shahid, I., (2020) Satellite-based (2000–2015) drought hazard assessment with indices, mapping, and monitoring of Potohar plateau, Punjab, Pakistan. Environmental Earth Sciences, 79, 1-18.
  25. Khan, R., Gilani, H.,(2021)a. Global drought monitoring with big geospatial datasets using Google Earth Engine. Environmental Science and Pollution Research, 28, 17244-17264.
  26. Kogan, F. N., (1995) Application of vegetation index and brightness temperature for drought detection.Advances in space research, 15(11), 91-100.
  27. Kogan, F., Guo, W., Yang, W.,(2020) Near 40-year drought trend during 1981-2019 earth warming and food security. Geomatics, Natural Hazards and Risk, 11(1), 469-490.
  28. Kogan, F., Sullivan, J., (1993)Development of global drought-watch system using NOAA/AVHRR data. Advances in Space Research, 13(5), 219-222.
  29. , H.R. Shamsipour., A.A. & Sadeghi., H. (2023). Monitoring ecological drought in the Middle Zagros based on Landsat 7 satellite data and climatic data (Case study: Lorestan Province). Remote Sensing and GIS of Iran, 15(3), 142-125. ( in Persian)
  30. 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).
  31. Meza, I., Siebert, S., Döll, P., Kusche, J., Herbert, C., Eyshi Rezaei, E., Hagenlocher, M., (2020) Global-scale drought risk assessment for agricultural systems. Natural Hazards and Earth System Sciences, 20(2), 695-712.
  32. Mianabadi, A., Salari, K., Pourmohamad, Y.,(2022) Drought monitoring using the long-term CHIRPS precipitation over Southeastern Iran. Applied Water Science, 12(8), 183.
  33. Mutanga, O., Kumar, L.,(2019) Google earth engine applications. Remote sensing, 11(5), 591.
  34. Rezaei Moghadam., M.H. Vali Zadeh Kamran., K. Rostamzadeh., H. & Rezaei., A. (2012). Evaluating the effectiveness of MODIS sensor data in estimating drought (Case study: Urmia Lake Basin). Geography and Environmental Sustainability (Geographical Research Journal), 2(5), 37-52. ( in Persian)
  35. Salomonson, V. V., Barnes, W., Masuoka, E. J.,(2006) Introduction to MODIS and an overview of associated activities.Earth Science Satellite Remote Sensing: Vol. 1: Science and Instruments, 12-32.
  36. Sawyer, V., Levy, R. C., Mattoo, S., Cureton, G., Shi, Y., Remer, L. A.,(2020) Continuing the MODIS dark target aerosol time series with VIIRS. Remote Sensing, 12(2), 308.
  37. Seyedi Qaldareh., J. Ahmadi., S. & Gholamnia., M. (2022). Evaluation of remote sensing indices for drought monitoring using support vector regression and random forest models (Case study: Marivan County). Scientific Journal of Spatial Information Technology Engineering, 10(3), 121-141. ( in Persian)
  38. 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.
  39. Svoboda, M., Fuchs, B., (2016) Handbook of drought indicators and indices. Drought and water crises: Integrating science, management, and policy, 155-208.
  40. Tamiminia, H., Salehi, B., Mahdianpari, M., Quackenbush, L., Adeli, S., Brisco, B., 2020. Google Earth Engine for geo-big data applications: A meta-analysis and systematic review.ISPRS Journal of Photogrammetry and Remote Sensing, 164, 152-170.
  41. Tao, L., Di, Y., Wang, Y., & Ryu, D. (2023). Normalized Temperature Drought Index (NTDI) for Soil Moisture Monitoring Using MODIS and Landsat-8 Data. Remote Sensing, 15(11), 2830.
  42. Tran, T. V., Tran, D. X., Huynh, P. D. P., Dao, H. N., Vo, T. M. T., Trinh, H. P., Tran, X. Q., 2020. Analysing Drought Intensity in the Mekong River Delta using Time Series Analysis and Google Earth Engine. International Journal of Geoinformatics, 16(1).
  43. Velastegui-Montoya, A., Montalván-Burbano, N., Carrión-Mero, P., Rivera-Torres, H., Sadeck, L., Adami, M.,(2023)­Google Earth Engine: a global analysis and future trends. Remote Sensing, 15(14), 3675.
  44. 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), 190.
  45. Wu, H., Hayes, M. J., Weiss, A., Hu, Q. I., (2001) An evaluation of the Standardized Precipitation Index, the China‐Z Index and the statistical Z‐Score. International Journal of Climatology: A Journal of the Royal Meteorological Society, 21(6), 745-758.
  46. Xiong, X., Butler, J. J., (2020) MODIS and VIIRS calibration history and future outlook. Remote Sensing, 12(16), 2523
  47. Zargar, A., Sadiq, R., Naser, B., Khan, F. I.,(2011)­A review of drought indices. Environmental Reviews, 19(NA), 333-349.

منابع و مأخذ:

1) آرخی، صالح، برزگر سواسری، مرضیه، وعمادالدین، سمیه(١٤٠١). بررسی کارایی شاخص‌های منتج از فناوری سنجش از دور VCI، TCI و VHI در ارزیابی خشک‌سالی با تصاویر مودیس (مطالعه موردی مناطق مرکزی ایران). مجله جغرافیا و مخاطرات محیطی. 11 (3)،189-224
2) اسمعیلی، حسین، میرموسوی، سیدحسین، وسهیلی، اسماعیل(١٤٠٠). بررسی سری زمانی خشک‌سالی کشاورزی شهرستان داراب با استفاده از سنجش از دور و سامانه گوگل ارث انجین. مجله جغرافیا و مخاطرات محیطی. ١٠ (4)،175-192
3) افتخاری، مبین، محمودی‌زاده، سعید، قزل سوفلو، عباسعلى، اسماعیلی، علی، واکبری، محمد(1400). تحلیل و پایش زمانی و مکانی خشک‌سالی با استفاده از محصولات سنجنده MODIS مطالعه موردی استان اصفهان. مجله علوم جغرافیایی (جغرافیای کاربردی). 17(34)، 17-27
4) باعقیده، محمد، وضیاییان، پرویز(1390) بررسی امکان استفاده از شاخص پوشش گیاهی NDVI در تحلیل خشک‌سالی های استان اصفهان. مجله مطالعات جغرافیایی مناطق خشک. 1(4)، 1-16.
5) جهانگیر، محمدحسین، ومشیدی، ضحی(1399). ارزیابی پایش خشک‌سالی کشاورزی مبتنی بر سنجش از دور با استفاده از شاخص استاندارد شده بارش در ماه های رشد (مطالعه موردی: حوضه آبریز کارون بزرگ). مجله آبیاری و زهکشی ایران، 14(4 )، 1264-1252.
6) رضایی‌مقدم، محمدحسین، ولی زاده کامران، خلیل، رستم زاده، هاشم، و رضایی، علی (1391). ارزیابی کارایی داده های سنجنده MODIS دربرآورد خشک‌سالی(مطالعه‌موردی: حوضه‌آبریز دریاچه ارومیه). جغرافیا و پایداری محیط (پژوهشنامه جغرافیایی)، 2(5)، 37-52.
7) سیدی قلدره، جمال، احمدی، سلمان، وغلام نیا، مهدی(1401). ارزیابی شاخص‌های سنجش از دوری پایش خشک‌سالی با استفاده از رگرسیون بردار پشتیبان و مدل های جنگل تصادفی (مطالعه موردی: شهرستان مریوان). نشریه علمی مهندسی فناوری اطلاعات مکانی،10(3) ، 121-141. ‎
8) قاسمی، پوریا، مسعودکرباسی، مسعود، زمانی‌نوری، علیرضا، وسرائی‌تبریزی، مهدی(1400) پایش وپهنه بندی خشک‌ سالی در البرز جنوبی، مجله جغرافیا و مطالعات محیطی،10(39) ،90-104.
9) قلی‌زاده، محمدحسین(1383) پیش‌بینی و پیش‌آگاهی خشک‌سالی در غرب ایران. دانشگاه تربیت معلم تهران. پایان‌نامه دکتری اقلیم‌شناسی، 189
10) کاظم پورچورسی، سیما، عرفانیان، مهدی، و 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)،17-33.
11) متین‌فر، حمیدرضا؛ شمسی پور، علی‌اکبر؛ صادقی، حدیث(1402) پایش خشک‌سالی بوم شناختی زاگرس میانی بر پایه داده‌های ماهواره لندست ۷ و داده‌های اقلیمی (مطالعه موردی: استان لرستان). سنجش از دور و GIS ایران، 15( 3)، 142-125.
12) Aksoy, S., Sertel, E., (2022) Comparison of landsat and modis derived vegetation health indices for Drought monitoring using google earth engine platform.
13) Ali Baig, M. H., Abid, M., Khan, M. R., Jiao, W., Amin, M., Adnan, S., (2020) Assessing meteorological and agricultural drought in Chitral Kabul river basin using multiple drought indices. Remote Sensing, 12(9), 1417.
14) Amani, M., Ghorbanian, A., Ahmadi, S. A., Kakooei, M., Moghimi, A., Mirmazloumi, S. M., Brisco, B., (2020) Google earth engine cloud computing platform for remote sensing big data applications: A comprehensive review. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 13, 5326-5350.
15) Bayarjargal, Y., Karnieli, A., Bayasgalan, M., Khudulmur, S., Gandush, C., Tucker, C. J., (2006) A comparative study of NOAA–AVHRR derived drought indices using change vector analysis. Remote Sensing of Environment, 105(1), 9-22.
16) Benzougagh, B., Meshram, S. G., El Fellah, B., Mastere, M., Dridri, A., Sadkaoui, D., Khedher, K. M., (2022) Combined use of Sentinel-2 and Landsat-8 to monitor water surface area and evaluated drought risk severity using Google Earth Engine. Earth Science Informatics, 15(2), 929-940.
17) Cancelliere, A., Loukas, A., Pangalou, D., Rossi, G., Tigkas, D., Tsakiris, G., Vangelis, H., (2007) Drought characterization [Part 1. Components of drought planning. 1.3. Methodological component]. Drought management guidelines technical annex, 85-102.
18) Chen, Y., Yang, J., Xu, Y., Zhang, W., Wang, Y., Wei, J., & Cheng, W. (2022). Remote-Sensing Drought Monitoring in Sichuan Province from 2001 to 2020 Based on MODIS Data. Atmosphere, 13(12), 1970.
19) Cunha, A. P. M., Zeri, M., Deusdará Leal, K., Costa, L., Cuartas, L. A., Marengo, J. A., Ribeiro-Neto,¬G.,(2019)Extreme drought events over Brazil from 2011 to 2019. Atmosphere, 10(11), 642.
20) Dutta, R., (2018) Drought monitoring in the dry zone of Myanmar using MODIS derived NDVI and satellite derived CHIRPS precipitation data. Sustainable Agriculture Research, 7(2), 46-55.
21) Dwiyaniek, R., Sukojo, B. M., Bioresita, F.,(2021) Drought Monitoring in Gresik Regency East Java using Satellite Image Time Series and Google Earth Engine. In IOP Conference Series: Earth and Environmental Science (Vol. 936, No. 1, p. 012003). IOP Publishing.
22) Gorelick, N., Hancher, M., Dixon, M., Ilyushchenko, S., Thau, D., Moore, R., (2017) Google Earth Engine: Planetary-scale geospatial analysis for everyone. Remote sensing of Environment, 202, 18-27.
23) Gulácsi, A., & Kovács, F.,(2015) Drought monitoring with spectral indices calculated from MODIS satellite images in Hungary. Journal of Environmental Geography, 8(3-4), 11-20.
24) Haied, N., Foufou, A., Chaab, S., Azlaoui, M., Khadri, S., Benzahia, K., Benzahia, I.,(2017) Drought assessment and monitoring using meteorological indices in a semi-arid region. Energy Procedia, 119, 518-529.
25) Heck, E., de Beurs, K. M., Owsley, B. C., Henebry, G. M., (2019)Evaluation of the MODIS collections 5 and 6 for change analysis of vegetation and land surface temperature dynamics in North and South America. ISPRS Journal of Photogrammetry and Remote Sensing, 156, 121-134.
26) Khan, R., Gilani, H.,(2021)a. Global drought monitoring with big geospatial datasets using Google Earth Engine. Environmental Science and Pollution Research, 28, 17244-17264.
27) Khan, R., Gilani, H., (2021)b. Global drought monitoring with drought severity index (DSI) using Google Earth Engine. Theoretical and Applied Climatology, 146(1-2), 411-427.
28) Khan, R., Gilani, H., Iqbal, N., Shahid, I., (2020) Satellite-based (2000–2015) drought hazard assessment with indices, mapping, and monitoring of Potohar plateau, Punjab, Pakistan. Environmental Earth Sciences, 79, 1-18.
29) Kogan, F. N., (1995) Application of vegetation index and brightness temperature for drought detection. Advances in space research, 15(11), 91-100.
30) Kogan, F., Guo, W., Yang, W.,(2020) Near 40-year drought trend during 1981-2019 earth warming and food security. Geomatics, Natural Hazards and Risk, 11(1), 469-490.
31) Kogan, F., Sullivan, J., (1993)Development of global drought-watch system using NOAA/AVHRR data. Advances in Space Research, 13(5), 219-222.
32) 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).
33) Meza, I., Siebert, S., Döll, P., Kusche, J., Herbert, C., Eyshi Rezaei, E., Hagenlocher, M., (2020) Global-scale drought risk assessment for agricultural systems. Natural Hazards and Earth System Sciences, 20(2), 695-712.
34) Mianabadi, A., Salari, K., Pourmohamad, Y.,(2022) Drought monitoring using the long-term CHIRPS precipitation over Southeastern Iran. Applied Water Science, 12(8), 183.
35) Mutanga, O., Kumar, L.,(2019) Google earth engine applications. Remote sensing, 11(5), 591.
36) Salomonson, V. V., Barnes, W., Masuoka, E. J.,(2006) Introduction to MODIS and an overview of associated activities. Earth Science Satellite Remote Sensing: Vol. 1: Science and Instruments, 12-32.
37) Sawyer, V., Levy, R. C., Mattoo, S., Cureton, G., Shi, Y., Remer, L. A.,(2020) Continuing the MODIS dark target aerosol time series with VIIRS. Remote Sensing, 12(2), 308.
38) 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.
39) Svoboda, M., Fuchs, B., (2016) Handbook of drought indicators and indices. Drought and water crises: Integrating science, management, and policy, 155-208.
40) Tamiminia, H., Salehi, B., Mahdianpari, M., Quackenbush, L., Adeli, S., Brisco, B., 2020. Google Earth Engine for geo-big data applications: A meta-analysis and systematic review. ISPRS Journal of Photogrammetry and Remote Sensing, 164, 152-170.
41) Tao, L., Di, Y., Wang, Y., & Ryu, D. (2023). Normalized Temperature Drought Index (NTDI) for Soil Moisture Monitoring Using MODIS and Landsat-8 Data. Remote Sensing, 15(11), 2830.
42) Tran, T. V., Tran, D. X., Huynh, P. D. P., Dao, H. N., Vo, T. M. T., Trinh, H. P., Tran, X. Q., 2020. Analysing Drought Intensity in the Mekong River Delta using Time Series Analysis and Google Earth Engine. International Journal of Geoinformatics, 16(1).
43) Velastegui-Montoya, A., Montalván-Burbano, N., Carrión-Mero, P., Rivera-Torres, H., Sadeck, L., Adami, M.,(2023)¬Google Earth Engine: a global analysis and future trends. Remote Sensing, 15(14), 3675.
44) 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), 190.
45) Wu, H., Hayes, M. J., Weiss, A., Hu, Q. I., (2001) An evaluation of the Standardized Precipitation Index, the China‐Z Index and the statistical Z‐Score. International Journal of Climatology: A Journal of the Royal Meteorological Society, 21(6), 745-758.
46) Xiong, X., Butler, J. J., (2020) MODIS and VIIRS calibration history and future outlook. Remote Sensing, 12(16), 2523
47) Zargar, A., Sadiq, R., Naser, B., Khan, F. I.,(2011)¬A review of drought indices. Environmental Reviews, 19(NA), 333-349.

حقوق این وب‌سایت متعلق به سامانه مدیریت نشریات دانشگاه آزاد اسلامی است.
حق نشر © 1404-1400

صفحه اصلی| عضویت/ ورود| درباره سند| تماس با ما|
[English] [العربية] [en] [ar]