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

الموضوعات :

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.

تاريخ الإرسال : 05 الجمعة , صفر, 1446 تاريخ التأكيد : 25 السبت , ربيع الأول, 1446 تاريخ الإصدار : 27 الإثنين , ربيع الأول, 1446

الکلمات المفتاحية: آذربایجان‌غربی, تصاویرماهواره, خشک‌سالی, شاخص‌های خشک‌سالی, MODIS.,

ملخص المقالة :

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.

المصادر:

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.