قابليت شاخص‌هاي VCADI، TSDI و TVDI در برآورد خشکسالي اراضي زراعي روستاي حصار شهرستان ماهنشان
الموضوعات :
1 - استاديار گروه جغرافيا، دانشگاه زنجان، زنجان، ايران.
الکلمات المفتاحية: شاخص خشکسالي, TVDI, TSDI, VCADI, حصار ماهنشان,
ملخص المقالة :
زمينه و هدف: امروزه شاخص‌هاي خشکسالي زيادي بر اساس روابط رگرسيوني شاخص‌هاي پوشش گياهي و دماي سطح زمين ارائه شده است. هدف از اين تحقيق، ارزيابي قابليت هر يک از شاخص‌هاي شاخص خشکسالي دماي پوشش گياهي (TVDI)، شاخص خشکسالي شرايط آلبدوي پوشش گياهي (VCADI) و شاخص خشکسالي اصلاح شده خاک پوشش گياهي (TSDI) در برآورد وضعيت خشکسالي در محدوده حصار ماهنشان در ساحل رودخانه قزل اوزن مي‌باشد.
روش پژوهش: در اين تحقيق تفاوت‌ها و قابليت‌هاي 3 شاخص خشکسالي در ساحل رودخانه قزل اوزن در بخش حصار ماهنشان مورد بررسي قرار گرفت. به اين منظور از تصاوير لندست 5 و 8 در سال هاي 1990 و 2023 استفاده شد. اين شاخص‌ها بر اساس روابط رگرسيوني بين پوشش گياهي، دماي سطح زمين و آلبدو بنا نهاده شده و بين شاخص‌هاي NDVI، LST، albedo و MSAVI رابطه رگرسيوني برقرار شده و شاخص‌هاي TVDI، TSDI و VCADI ايجاد شد. هر يک از اين شاخص‌ها از باندهاي معيني استفاده کرده و براي برآورد دماي سطح زمين از باند 6 ماهواره لندست 5 و باند 10 ماهواره لندست 8 استفاده شد. براي ترسيم نمودار پراکنش نيز از نرم افزار origin 8 استفاده شده و معادله رگرسيوني مربوطه براورد شد. از مقادير a و b براي ترسيم نقشه شاخص‌ها بهره گرفته شد. صحت هر يک از اين شاخص‌ها با استفاده از ضريب کاپا مورد بررسي قرار گرفت.
يافته‌ها: به منظور بررسي شرايط خشکسالي منطقه مورد مطالعه به پنج طبقه با خشکي بسيار کم، کم، متوسط، زياد و بسيار زياد تقسيم مي‌شود و بر اساس يافته‌هاي به دست آمده مشاهده شد که منطقه با خشکسالي زياد در شاخص VCADI از 65/0 کيلومتر مربع در سال 1990 به 53/1 کيلومتر مربع در سال 2023 افزايش يافته و از 10 درصد مساحت منطقه به 6/23 درصد رسيده است. اين ميزان در پهنه خيلي زياد براي شاخص‌هاي TSDI و TVDI به ترتيب از 47/0 و 65/0 کيلومتر مربع به 7/18 و 64/23 درصد افزايش يافته است.
نتايج: نتايج نشان داد که بيشترين رابطه ضريب همبستگي پيرسون به ميزان 55/0- بين شاخص LST و NDVI برقرار بوده و در سال 2023 رخ داده است. بر اساس شاخص‌هاي خشکسالي مشاهده شد که در شاخص VCADI مناطق برخوردار از خشکسالي خيلي زياد از 65/0 کيلومتر مربع به 53/1 کيلومتر مربع افزايش يافته و از 10 درصد به 6/23 درصد رسيده است. در شاخص‌هاي TSDI و TVDI نيز نتايج مشابهي حاصل شده و به ترتيب از 10 و 26/7 درصد در سال 1990 به 64/23 و 7/18 درصد در سال 2023 رسيده است. بر اساس روابط همبستگي پيرسون و ضريب کاپا مشاهده شد که شاخص TVDI نسبت به ساير شاخص‌ها از قابليت بهتري در بررسي خشکسالي برخوردار بوده است.
Amani, M., Salehi, B., Mahdavi, S., Masjedi, A., & Dehnavi, S. (2017). Temperature-vegetation-soil moisture dryness index (TVMDI). Remote Sens. Environ 197: 1–14.
Amazirh, A., Merlin, O., Er-Raki, S., Gao, Q.i., Rivalland, V., Malbeteau, Y., Khabba, S., & Escorihuela, M.J. (2018). Retrieving surface soil moisture at high spatio-temporal resolution from a synergy between sentinel-1 Radar and Landsat thermal data: a study case over bare soil. Remote Sens. Environ 211: 321–337.
Bento, V.A., Gouveia, C.M., DaCamara, C.C., & Trigo, I.F. (2018). A climatological assessment of drought impact on vegetation health index. Agr. Forest Meteorol 259: 286–295.
Brown, J.F., Wardlow, B.D., Tadesse, T., Hayes, M.J., & Reed, B.C. (2008). The vegetation drought response index (VegDRI): a new integrated approach for monitoring drought stress in vegetation. GISci. Remote Sens 45 (1): 16–46.
Cammalleri, C., & Vogt, J.V. (2019). Non-stationarity in MODIS FAPAR time-series and its impact on operational drought detection. Int. J. Remote Sens 40 (4): 1428–1444.
Dang, C.Y., Liu, Y., Yue, H., Qian, J.X., & Zhu, R. (2020). Autumn crop yield prediction using data-driven approaches: support vector machines, random forest, and deep neural network methods. Can. J. Remote Sens., 1–20
Ghulam, A., Qin, Q., & Zhan, Z. (2007). Designing of the perpendicular drought index. Environ. Geol 52 (6): 1045–1052.
Hamzeh, S., Farahani, Z., Mahdavi, S., Chatrobgoun, O., & Gholamnia, M. (2017). Spatio-temporal monitoring of agricultural drought using remotely sensed data (Case study of Markazi province of Iran). Journal of Spatial Analysis Environmental Hazards 4 (3) :53-70 [In Persian]
Han, L., Wang, P., Yang, H., Liu, S., & Wang, J. (2006). Study on NDVI-Ts space by combining LAI and evapotranspiration. Sci. China Earth Sci 49 (7): 747–754.
Kafy, A.A. (2021). Impact of Vegetation Cover Loss on Surface Temperature and Carbon Emission in a Fastest-Growing City, Cumilla, Bangladesh, 207. Building and Environment.
Khellouk, R., Barakat, A., Jazouli, A.E., Boudhar, A., & Benabdelouahab, T. (2019). An integrated methodology for surface soil moisture estimating using remote sensing data approach. Geocarto Int 30: 1–14
Kogan, F.N. (1995). Application of vegetation index and brightness temperature for drought detection. Adv. Space Res 15 (11): 91–100.
Le Page, M., & Zribi, M. (2019). Analysis and predictability of drought in northwest Africa using optical and microwave satellite remote sensing products. Sci. Rep-uk. 9, 1466.
Liu, Y., Wu, L.X., & Ma, B.D. (2013). Remote sensing monitoring of soil Moisture on the basis of TM/ETM + spectral space. J. China Univ. Min. Technol 42: 296–301 (in Chinese).
Liu, Y., Wu, L., & Yue, H. (2015). Biparabolic NDVI-Ts space and soil moisture remote sensing in an arid and semi-arid area. Can. J. Remote Sens 41 (3: 159–169.
Liu, Y., & Yue, H. (2017). Dynamic monitoring of drought conditions in Henan Province based on LAI-Ts space. IEEE Geosci. Remote Sens. Symp 23: 5097–15010
Liu, Y., & Yue, H. (2018). The temperature vegetation dryness index (TVDI) based on bi-parabolic NDVI-Ts space and gradient-based structural similarity (GSSIM) for long-term drought assessment across Shaanxi province, China (2000–2016). Remote Sens-Basel. 10 (6), 959. https:// doi.org/10.3390/rs10060959.
Liu, Y., Dang, C., Yue, H., Lyu, C., & Dang, X. (2021). Enhanced drought detection and monitoring using sun-induced chlorophyll fluorescence over Hulun Buir Grassland, China. Sci. Total Environ. 770, 145271. https://doi.org/10.1016/j.scitotenv.2021.145271.
Lu, Y., Horton, R., Zhang, X., & Ren, T. (2018). Accounting for soil porosity improves a thermal inertia model for estimating surface soil water content. Remote Sens. Environ 212: 79–89.
Lu, Y., Tao, H., & Wu, H. (2007). Dynamic drought monitoring in Guangxi using revised temperature vegetation dryness index. Wuhan Univ. J. Natl. Sci 12 (4): 663–668.
Marzban, F., Sodoudi, S., & Preusker, R. (2018). The influence of land-cover type on the relationship between NDVI–LST and LST-Tair. Int. J. Remote Sens 39 (5): 1377–1398.
Pandey, V., & Srivastava, P. (2019). Integration of microwave and optical/ infrared derived datasets for a drought hazard inventory in a subtropical region of India. Remote Sens-Basel. 11 (4), 439. https://doi. org/10.3390/rs11040439.
Patel, N.R., Anapashsha, R., Kumar, S., Saha, S.K., & Dadhwal, V.K. (2009). Assessing potential of modis derived temperature/vegetation condition index (tvdi) to infer soil moisture status. Int. J. Remote Sens 2009 (30): 23–39.
Peng, J., Muller, J.-P., Blessing, S., Giering, R., Danne, O., Gobron, N., Kharbouche, S., Ludwig, R., Mu¨ ller, B., Leng, G., You, Q., Duan, Z., & Dadson, S. (2019). Can we use satellite-based FAPAR to detect drought? Sensors-Basel. 19 (17), 3662. https://doi.org/10.3390/s19173662.
Pickett-Heaps, C.A., Canadell, J.G., Briggs, P.R., Gobron, N., Haverd, V., Paget, M.J., Pinty, B., & Raupach, M.R. (2014). Evaluation of six satellite-derived fraction of absorbed photosynthetic active radiation (FAPAR) products across the Australian continent. Remote Sens. Environ 140: 241–256.
Pourkhosravani, M., Mehrabi, A., & Mousavi, S. (2018). Drought spatial analysis of Sirjan Basin using Remote sensing, Desert Ecosystem engineering Journal 7(20): 13-22. [In Persian]
Price, J.C. (1985). On the analysis of thermal infrared imagery: the limited utility of apparent thermal inertia. Remote Sens. Environ 18 (1): 59– 73.
Qin, H., Wang, C., Pan, F., Lin, Y., Xi, X., & Luo, S. (2017). Estimation of FPAR and FPAR profile for maize canopies using airborne Lidar. Ecol. Indic 83: 53–61.
Sandholt, I., Andersen, J., & Rasmussen, K. (2002). A simple interpretation of the surface temperature/vegetation index space for assessment of soil moisture status. Remote Sens. Environ 79: 213–224.
Sui, X.X., Qin, Q.M., Dong, H., Wang, J.L., Meng, Q.Y., & Liu, M.C. (2013). Monitoring of farmland drought based on LST-LAI spectral feature space. Spectrosc. Spect. Anal 33: 201–205
Thakur, S., Mondal, I., Bar, S., Nandi, S., Das, P., Ghosh, P.B., & De, T.K. (2020). Shoreline changes and its impact on the mangrove ecosystems of some Islands of Indian Sundarbans, North- East coast of India, J Clean Prod, 284, 124764. Elsevier.
Wang, P.X., Li, X.W., Gong, J.Y., & Song, C.H. (2001). Vegetation temperature condition index and its application for drought monitoring. In: Proceedings of the International Geoscience and Remote Sensing Symposium, Sydney, Australia, 9–13 July 2001.
Wang, H., He, N., Zhao, R., & Ma, X. (2020). Soil water content monitoring using joint application of PDI and TVDI drought indices. Remote Sens. Lett 11 (5): 455–464.
Wang, W., Huang, D., Wang, X.-G., Liu, Y.-R., & Zhou, F. (2011). Estimation of soil moisture using trapezoidal relationship between remotely sensed land surface temperature and vegetation index. Hydrol. Earth Syst. Sc. 15 (5): 1699–1712.
Wigmore, O., Mark, B., Mckenzie, J., Baraer, M., & Lautz, L. (2019). Submeter mapping of surface soil moisture in proglacial valleys of the tropical Andes using a multispectral unmanned aerial vehicle. Remote Sens. Environ. 222: 104–118.
Wu, Z., Lei, S., Bian, Z., Huang, J., & Zhang, Y. (2019). Study of the desertification index based on the albedo-MSAVI feature space for semi-arid steppe region. Environ. Earth. Sci. 78, 232.
Yagci, A.L., & Santanello, J.A. (2018). Estimating evapotranspiration from satellite using easily obtainable variables: a case study over the southern Great Plains, USA. IEEE J-Stars. 11 (1): 12–23.
Yildirima, T., & Asika, S. (2018). Index-based assessment of agricultural drought using remote sensing in the semi-arid region of western Turkey. J. Agr. Sci.-Tarim. Bili. 24: 510–516.
Yue, H., Liu, Y., & Qian, J. (2020). Soil moisture assessment through the SSMMI and GSSIM algorithm based on SPOT, WorldView-2, and Sentinel-2 images in the Daliuta Coal Mining Area, China. Environ. Monit. Assess. 192, 237.
Zhao, H., Li, Y.i., Chen, X., Wang, H., Yao, N., & Liu, F. (2021). Monitoring monthly soil moisture conditions in China with temperature vegetation dryness indexes based on an enhanced vegetation index and normalized difference vegetation index. Theor. Appl. Climatol. 143 (1-2): 159–176.
Zhao, L.H., Du, P.J., Pang, Y.F., & Zhang, H.P. (2010). Monitoring drought using temperature/vegetation drought index based on remote sensing images. Bull. Soil Water Conserv. 30, 110–115
Zormand, S., Jafari, R., & Koupaei, S.S. (2017). Assessment of PDI, MPDI and TVDI drought indices derived from MODIS Aqua/Terra Level 1B data in natural lands. Nat. Hazards. 86 (2): 757–777.
Capability of VCADI, TSDI and TVDI Indices in Estimating the Drought of Agricultural Land in Hesar Village, Mahenshan City
Mehdi Feyzolahpour1
1) Assistant Professor, Department of Geography, Zanjan of University, Zanjan, Iran.
*Corresponding author emails: feyzolahpour@znu.ac.ir
Abstract:
Background and Aim: Today, many drought indices have been presented based on the regression relationships of vegetation indices and surface temperature. The purpose of this research is to evaluate the capability of each of the vegetation temperature aridity index (TVDI), vegetation albedo aridity index (VCADI) and modified vegetation soil aridity index (TSDI) in estimating the aridity condition in the Hesar of Mahneshan in the shore of the river Qezelozan.
Method: In this research, the differences and capabilities of 3 aridity indicators on the shore of Qezelozan River in Hesar Mahneshan section were investigated. For this purpose, Landsat 5 and 8 images were used in 1990 and 2023. These indices are based on the regression relations between vegetation, surface temperature and albedo, and a regression relation was established between NDVI, LST, albedo and MSAVI indices, and TVDI, TSDI and VCADI indices were created. Each of these indicators used certain bands and band 6 of Landsat 5 satellite and band 10 of Landsat 8 satellite were used to estimate the earth's surface temperature. Origin 8 software was used to draw the scatter diagram and the corresponding regression equation was obtained. The values of slope and intercept were used to draw the index map. The accuracy of each of these indicators was checked using the Kappa coefficient.
Results: In order to check the drought condition, the studied area is divided into five classess with very low, low, medium, high and very high dryness and it was observed that the area with high dryness in the VCADI index increased from 0.65 km2 in 1990 to 53. 1 square kilometer has increased in 2023 and has reached 23.6% from 10% of the area of the region. This amount has increased from 0.47 and 0.65 km2 to 18.7 and 23.64 percent in the very large area for TSDI and TVDI indicators, respectively.
Conclusion: The results showed that the highest Pearson correlation coefficient of -0.55 was established between LST index and NDVI and occurred in 2023. Based on the drought indices, it was observed that in the VCADI index, the areas with very dry areas increased from 0.65 square kilometers to 1.53 square kilometers and reached 23.6% from 10%. In TSDI and TVDI indices, similar results have been obtained and have reached 23.64 and 18.7 percent in 2023 from 10 and 7.26 percent in 1990, respectively. Based on Pearson's correlation and Kappa coefficient, it was observed that the TVDI index has a better ability to assess drought compared to other indices, and the TSDI index with a correlation coefficient of -0.54% is in the second place in 2023.
Keywords: Dryness index, TVDI, TSDI, VCADI, Hesar Mahneshan
قابليت شاخص‌هاي VCADI، TSDI و TVDI در برآورد خشکسالي اراضي زراعي روستاي حصار شهرستان ماهنشان
مهدي فيض اله پور1
1) استاديار گروه جغرافيا، دانشگاه زنجان، زنجان، ايران.
* ايميل نويسنده مسئول: feyzolahpour@znu.ac.ir
چکيده:
زمينه و هدف: امروزه شاخص‌هاي خشکسالي زيادي بر اساس روابط رگرسيوني شاخص‌هاي پوشش گياهي و دماي سطح زمين ارائه شده است. هدف از اين تحقيق، ارزيابي قابليت هر يک از شاخص‌هاي شاخص خشکسالي دماي پوشش گياهي (TVDI)، شاخص خشکسالي شرايط آلبدوي پوشش گياهي (VCADI) و شاخص خشکسالي اصلاح شده خاک پوشش گياهي (TSDI) در برآورد وضعيت خشکسالي در محدوده حصار ماهنشان در ساحل رودخانه قزل اوزن مي‌باشد.
روش پژوهش: در اين تحقيق تفاوت‌ها و قابليت‌هاي 3 شاخص خشکسالي در ساحل رودخانه قزل اوزن در بخش حصار ماهنشان مورد بررسي قرار گرفت. به اين منظور از تصاوير لندست 5 و 8 در سال هاي 1990 و 2023 استفاده شد. اين شاخص‌ها بر اساس روابط رگرسيوني بين پوشش گياهي، دماي سطح زمين و آلبدو بنا نهاده شده و بين شاخص‌هاي NDVI، LST، albedo و MSAVI رابطه رگرسيوني برقرار شده و شاخص‌هاي TVDI، TSDI و VCADI ايجاد شد. هر يک از اين شاخص‌ها از باندهاي معيني استفاده کرده و براي برآورد دماي سطح زمين از باند 6 ماهواره لندست 5 و باند 10 ماهواره لندست 8 استفاده شد. براي ترسيم نمودار پراکنش نيز از نرم افزار origin 8 استفاده شده و معادله رگرسيوني مربوطه براورد شد. از مقادير a و b براي ترسيم نقشه شاخص‌ها بهره گرفته شد. صحت هر يک از اين شاخص‌ها با استفاده از ضريب کاپا مورد بررسي قرار گرفت.
يافته‌ها: به منظور بررسي شرايط خشکسالي منطقه مورد مطالعه به پنج طبقه با خشکي بسيار کم، کم، متوسط، زياد و بسيار زياد تقسيم مي‌شود و بر اساس يافته‌هاي به دست آمده مشاهده شد که منطقه با خشکسالي زياد در شاخص VCADI از 65/0 کيلومتر مربع در سال 1990 به 53/1 کيلومتر مربع در سال 2023 افزايش يافته و از 10 درصد مساحت منطقه به 6/23 درصد رسيده است. اين ميزان در پهنه خيلي زياد براي شاخص‌هاي TSDI و TVDI به ترتيب از 47/0 و 65/0 کيلومتر مربع به 7/18 و 64/23 درصد افزايش يافته است.
نتايج: نتايج نشان داد که بيشترين رابطه ضريب همبستگي پيرسون به ميزان 55/0- بين شاخص LST و NDVI برقرار بوده و در سال 2023 رخ داده است. بر اساس شاخص‌هاي خشکسالي مشاهده شد که در شاخص VCADI مناطق برخوردار از خشکسالي خيلي زياد از 65/0 کيلومتر مربع به 53/1 کيلومتر مربع افزايش يافته و از 10 درصد به 6/23 درصد رسيده است. در شاخص‌هاي TSDI و TVDI نيز نتايج مشابهي حاصل شده و به ترتيب از 10 و 26/7 درصد در سال 1990 به 64/23 و 7/18 درصد در سال 2023 رسيده است. بر اساس روابط همبستگي پيرسون و ضريب کاپا مشاهده شد که شاخص TVDI نسبت به ساير شاخص‌ها از قابليت بهتري در بررسي خشکسالي برخوردار بوده است.
کليد واژه‌ها: شاخص خشکسالي، TVDI، TSDI، VCADI، حصار ماهنشان
مقدمه
خشکسالي يکي از بلاياي طبيعي است که خسارات وسيعي به بخش هاي مختلف جامعه و اقتصاد مانند کشاورزي، محيط زيست، انرژي و گردشگري وارد کرده است (Brown et al., 2008). رطوبت خاک يکي از عوامل مهمي است که بر رشد و نمو پوشش گياهي تاثير مي گذارد. تامين آب ناکافي منجر به قطع رشد و نمو طبيعي پوشش گياهي شده و به طور مستقيم بر رشد و عملکرد محصولات زراعي تاثير مي گذارد (Zormand et al., 2017). بنابراين شناسايي مدل هاي پايش عيني و پويا که بر انواع مختلف اقليمي منطبق هستند از اهميت علمي بالايي برخوردار بوده و مي توانند مبناي تصميم گيري قدرتمندي براي توسعه پايدار قرار گيرند. فناوري سنجش از دور يکي از کارامدترين ابزارها براي تهيه پارامترهاي سطح زمين در مناطق وسيع بوده و مي تواند به طور غيرمستقيم، تنش خشکي پوشش گياهي را از طريق شاخص هاي 1NDVI، دماي سطح زمين و آلبدو برآورد نمايد (Liu et al., 2015; Amazirh et al., 2018; Yue et al., 2020). با بهره گيري از باندهاي مادون قرمز حرارتي، مرئي و مادون قرمز نزديک و بر اساس پارامترهاي 2LST، NDVI و آلبدو، مجموعه اي از شاخص هاي خشکسالي ايجاد شده اند. اين شاخص ها را مي توان به دسته هاي مختلفي تقسيم نمود. شاخص هاي خشکسالي متشکل از شاخص اينرسي ظاهري ( Price., 1985; Lu et al., 2018) ، و شاخص وضعيت دما (Kogan., 1995) مي باشند. شاخص هاي خشکسالي مي توانند به مانند شاخص شرايط پوشش گياهي به پوشش هاي گياهي وابسته باشند Bento et al., 2018)). برخي از شاخص هاي خشکسالي بر اساس روابط رگرسيوني بين پوشش گياهي و دما ايجاد مي شوند. بر اساس اين رابطه رگرسيوني شاخص خشکسالي دماي پوشش گياهي (3TVDI) ايجاد مي شود (Sandholt et al., 2002). شاخص شرايط دمايي پوشش گياهي (4VTCI) شاخص ديگري است که از اين روابط رگرسيوني حاصل مي شود (Wang et al., 2001). شاخص هايي نيز بر اساس بازتاب طيفي ( Ghulam et al., 2007; Liu et al., 2013; Amani et al., 2017) و امواج مايکروويو (Pandey et al., 2019; Le Page et al., 2019) ايجاد شده اند. شاخص هاي TVDI و VTCI با بهره گيري از روابط رگرسيوني بين NDVI و LST به ابزار موثري براي نظارت بر خشکسالي، بررسي نوع کاربري زمين و تخمين تبخير و تعرق تبديل شده اند (Marzban et al., 2018; Yagci et al., 2018; Khellouk et al., 2019; Wigmore et al, 2019; Wang et al., 2020; Zhao et al, 2021).
با وقوع خشکسالي، سطح پوشش گياهي کاهش مي يابد. در همين حال با وقوع تنش آبي، دماي سطح زمين به سرعت افزايش خواهد يافت (Sand holt et al., 2002). بنابراين، شاخص هاي پوشش گياهي و LST شاخص هاي خوبي براي پايش شرايط خشکسالي به شمار مي آيند. در سال هاي اخير در بسياري از تحقيقات از روابط رگرسيوني NDVI و LST استفاده شده است. هان و همکاران (2006) به اين نتيجه دست يافتند که مي توان در شرايط اشباع پوشش گياهي بين روابط رگرسيوني LST و NDVI و LST و LAI5 ارتباط معني داري برقرار کرد (Han et al., 2006). گالام و همکاران (2007) شاخصي را بر اساس روابط رگرسيوني بين NDVI و آلبدو ارائه کرده اند.
زائو و همکاران (2010) به اين نتيجه دست يافتند که روابط رگرسيوني بين 6SAVI و LST نسبت به روابط رگرسيوني NDVI و LST با دقت بيشتري اقدام به برآورد خشکسالي نمودند. ليو و يو (2017) نشان دادند که شاخص TVDI مي تواند از طريق روابط رگرسيوني بين EVI7 و LST شرايط خشکسالي را نمايش دهد (Lu et al., 2007). شاخص کمبود آب بر گرفته از روابط رگرسيوني بين EVI و LST مي باشد (Wang et al., 2011). ايلدريم و آسيکا (2018) نشان دادند که در طول فصول آبياري بين شاخص هاي NDVI و SAVI با شاخص LST همبستگي منفي برقرار است (Yildirima et al., 2018). ليو و يو (2018) نشان دادند که نمودار سهمي شکل حاصل شده از روابط رگرسيوني بين NDVI و LST نسبت به نمودار مثلثي بين اين دو شاخص به نتايج بهتري در نظارت بر خشکسالي دست مي يابد. با استفاده از روابط رگرسيوني بين LAI و LST، شاخص دماي سطح برگ ارائه شد. اين شاخص در شرايط اشباع NDVI، نسبت به شاخص TVDI به نتايج بهتري دست مي يابد (Sui et al., 2013). وو و همکاران (2019) بر اساس روابط رگرسيوني بين شاخص هاي گياهي اصلاح شده خاک (MSAVI) و آلبدو، شاخص بيابان زايي نيمه خشک را ارائه کردند (Wu et al., 2019). علاوه بر شاخص هاي پوشش گياهي، شاخص تابش فعال فتوسنتزي جذب شده مي تواند به طور مستقيم وضعيت رشد پوشش گياهي را مشخص کند (Pickett et al., 2014; Qin et al., 2017). شاخص FPAR مي تواند به عنوان ابزاري کارامد در پايش خشکسالي در نظر گرفته شود (Cammalleri et al.,2019; Peng et al., 2019; Dang et al., 2020; Liu et al., 2021). موارد ذکر شده در بالا نشان داد که شاخص MSAVI مي تواند در براورد شاخص خشکسالي، جايگزين شاخص NDVI گردد. همچنين آلبدو مي تواند به شکل رابطه رگرسيوني NDVI و albedo، جايگزين LST گردد. در ايران نيز تحقيقاتي در زمينه شاخص هاي برآورد خشکسالي انجام شده است. پور خسرواني و همکاران (1397) با استفاده از شاخص هاي NDVI و LST به تحليل فضايي خشکسالي حوضه سيرجان پرداختند. نتايج اين تحقيق نشان داد که ارتباط معني داري بين اين دو شاخص وجود داشته است. حمزه و همکاران (1398) با استفاده از داده هاي سنجش از دور به پايش زماني و مکاني خشکسالي استان مرکزي پرداختند نتايج نشان داد که شاخص VCI در مناطق خشک نسبت به شاخص TVDI به نتايج بهتري دست يافته است.
هدف از اين تحقيق، ارزيابي قابليت هر يک از شاخص هاي شاخص خشکسالي دماي پوشش گياهي (TVDI)، شاخص خشکسالي شرايط آلبدوي پوشش گياهي (8VCADI) و شاخص خشکسالي اصلاح شده خاک پوشش گياهي (TSDI9) در برآورد وضعيت خشکسالي در محدوده حصار ماهنشان در ساحل رودخانه قزل اوزن مي باشد.
مواد و روشها
منطقه مورد مطالعه با وسعتي معادل 47/6 کيلومتر مربع در مختصات جغرافيايي 47 درجه و 41 دقيقه تا 47 درجه و 44 دقيقه طول شرقي و 36 درجه و 57 درجه تا 37 درجه و 1 دقيقه عرض شمالي واقع شده است. اين منطقه در بخش ساحل شرقي رودخانه قزل اوزن در محدوده روستاي حصار از توابع استان زنجان قرار گرفته است. اين منطقه از شرايط اقليمي نيمه خشک برخوردار بوده و به علت قرارگيري در مجاورت کوه هاي رنگي آلاداغلار و معادن نمک از آب زيرزميني شوري برخوردار است. به طوري که در جوار آن معدن نمک چهرآباد قرار گرفته است. به علت کاهش آب رودخانه قزل اوزن و افت شديد آب هاي زيرزميني، اين منطقه با خشکسالي اقليمي قابل توجهي مواجه گرديده است. در اين تحقيق به بررسي شاخص هاي خشکسالي در اين منطقه پرداخته شده است.
در اين تحقيق براي برآورد شاخص هاي خشکسالي منطقه حصار ماهنشان از تصاوير 17 مي 1990 لندست 5 و 29 ژوئن 2023 لندست 8 استفاده شده است. علت انتخاب ماه مي براي تصوير برداري از منطقه، افزايش پر آبي ناشي از بارندگي و پر آبي رودخانه قزل اوزن مي باشد. به علت کشت برنج در منطقه مورد مطالعه، وضعيت آبي از اهميت فوق العاده اي برخوردار است. براي سال 2023 تصوير برداري از ماه ژوئن انجام شد که زمان آغاز برداشت محصول برنج بوده است. اين تصاوير از گذر 167 و رديف 34 تهيه شده و در تصوير سال 1990 درصد ابرناکي معادل 5 درصد بوده و اين ميزان در سال 2023 معادل 81/2 درصد برآورد گرديده است. ماهواره لندست 5 متشکل از 7 باند بوده که در اين تحقيق از تمامي باندها استفاده شده است. همچنين از بين بندهاي ماهواره لندست 8 به غير از باند 1، 8، 9 و 11 از تمامي باندها بهره گرفته شد. سنجنده هاي به کار گرفته شده در لندست 5 سنجنده TM بوده و از هر دو سنجنده OLI و TIRS ماهواره لندست 8 استفاده شد.
شکل 1. موقعيت منطقه مورد مطالعه در محدوده رودخانه قزل اوزن
سندهولت و همکاران (2002) بر اساس روابط بين NDVI و LST شاخصي را براي برآورد خشکسالي ارائه کردند. اين شاخص با عنوان شاخص TVDI نامگذاري گرديد. اين شاخص بر اين اصل استوار است که وقتي شرايط تابش خورشيدي بدون تغيير باقي بماند کاهش بارندگي مي تواند منجر به کمبود آب براي محصولات کشاورزي گردد. زماني که رطوبت خاک کافي باشد تبخير و تعرق پوشش گياهي شدت مي يابد. بيشترين ميزان انرژي براي مصرف گرماي نهان استفاده شده و تنها بخش کوچکي از انرژي براي افزايش دماي سطوح زيرين به کار گرفته مي شود. زماني که رطوبت خاک کافي نباشد پوشش گياهي بخشي از روزنه هاي برگ را مي بندد تا به دليل تنش آبي، تعرق کاهش يابد. کاهش مصرف شار گرماي نهان تبخير منجر به افزايش حرارتي محسوس و شار حرارتي خاک شده و در نتيجه، دماي سطح زيرين را افزايش مي دهد (Patel et al., 2009). بنابراين تحليل تغييرات رطوبت خاک از منظر وضعيت رشد گياهي و دماي سطح امکان پذير مي باشد. دماي سطح زمين و شاخص پوشش گياهي بوسيله داده هاي سنجش از دور به دست آمده و براي برآورد شاخص TVDI به کار گرفته مي شوند. نقاط پراکنده شده در نمودار پراکنش پهنه اي را در بر مي گيرند که در آن پوشش گياهي در منطقه مورد مطالعه از خاک برهنه تا پوشش متراکم متغير بوده و رطوبت خاک نيز از وضعيت خشک تا بسيار مرطوب تغيير مي کند (Sandholt et al., 2002). براي محاسبه شاخص TVDI از رابطه زير استفاده مي شود:
(1) |
|
براي برآورد شاخص تفاوت نرمال شده پوشش گياهي (NDVI) نيز از باندهاي مادون قرمز نزديک و باند قرمز استفاده مي شود. مقادير NDVI از رابطه زير برآورد شد(Sandholt et al., 2002):
(2) |
|
در ماهواره لندست 5 باندهاي 3 و 4 اختصاص به باندهاي قرمز و مادون قرمز داشته و در ماهواره لندست 8 اين باندها در باندهاي 4 و 5 قرار گرفته اند. در بخش دوم از رابطه رگرسيوني نياز به برآورد شاخص LST مي باشد. اين شاخص، دماي سطح زمين را نشان مي دهد.
بررسي دماي سطح زمين براي درک چرخه انرژي و تبادل آب با محيط امري حياتي مي باشد. تجزيه و تحليل LST با استفاده از داده هاي حرارتي ماهواره اي مستلزم روش هاي مختلفي از جمله تراز راديومتري سنجنده، تصحيح بازتاب سطح و هوا و تغييرات LULC مي باشد. براي محاسبه LST از باند 10 ماهواره لندست 8 استفاده مي شود. مراحل محاسبه LST بر اساس روش تاکور و همکاران (2020) و کافي و همکاران (2021) در زير شرح داده شده است. به اين منظور در ابتدا مقادير تابش طيفي در بالاي اتمسفر محاسبه شده و رابطه زير براي اين منظور در نظر گرفته شده است.
(3) |
|
در اين رابطه 
تابش طيفي در بالاي اتمسفر، ML فاکتور درجه بندي شده ترکيبي تابشي براي باند 10 و Qcal تعداد ديجيتالي باند 10 مي باشد. سپس مقادير تابش طيفي 
به مقادير درجه روشنايي ماهوار (TB) تبديل مي گردد.
(4) |
|
در اين رابطه TB درجه روشنايي بوده و K1 و K2 ضريب حرارتي ثابت براي باند 10 مي باشد.
نسبت پوشش گياهي (PV) و انتشار سطحي (E) نيز بر اساس معادلات زير محاسبه مي شود.
(5) |
|
(6) |
|
در نهايت، مقادير درجه روشنايي به مقادير LST تبديل مي گردد:
(7)
|
|
در اين رابطه 
طول موج تابش ساطع شده، a ضريب ثابت 14388 براي ماهواره لندست 8، h ضريب ثابت پلانک، c سرعت نور و k ضريب بولتزمن مي باشد.
شاخص NDVI تاثير پس زمين خاک بر سطوح زيرين را در نظر نمي گيرد. شاخص MSAVI با توجه به شرايط محيط به ضريب تنظيم خاک اضافه شده و مشکل حساس بودن NDVI به زمينه خاک را اصلاح کرده است(Zhao et al, 2010). زائو و همکاران (2010) به اين نکته پي بردند که مي توان خشکسالي را بر اساس روابط بين MSAVI و LST ارزيابي کرد. شاخص حاصل شده از اين رابطه با عنوان شاخص TSDI شناخته شد. براي محاسبه اين شاخص از رابطه زير استفاده شد:
(8) |
|
براي محاسبه شاخص MSAVI از رابطه زير استفاده شد.
(9) |
|
آلبدو يک پارامتر فيزيکي است که انعکاس سطح را در تابش خورشيدي موج کوتاه نشان داده و نسبت انرژي بازتابي کل به انرژي ورودي را برآورد مي نمايد. گالام و همکاران (2007) شاخص VCADI را با استفاده از روابط رگرسيوني NDVI و albedo ارائه کردند. براي محاسبه اين شاخص از رابطه زير استفاده شد:
(10) |
|
شاخص albedo نيز با استفاده از رابطه زير برآورد مي گردد:
(11) 
براي بررسي روابط بين شاخص ها نيز از ضريب همبستگي پيرسون استفاده شد. به اين منظور از نرم افزار Origin 8 بهره گرفته شد. براي برآورد اين ضريب از رابطه زير استفاده مي شود:
(12) |
|
در نهايت براي صحت سنجي هر يک از شاخص ها از ضريب کاپا به کار گرفته شد. اين شاخص، پيکسل هاي طبقه بندي شده را با پيکسل هاي تصادفي مقايسه مي کند. مقدار اين شاخص بين 1- و 1+ قرار مي گيرد. با افزايش دقت شاخص، ميزان کاپا افزايش مي يابد. براي برآورد اين شاخص از رابطه زير استفاده شد:
(13) |
|
در اين رابطه، 
مجموع تعداد تمامي پيکسل ها در رديف i، 
تعداد کل پيکسل ها در رديف i و N تعداد پيکسل کل در ماتريس پراکنده مي باشد.
نتايج و بحث
براي بررسي تغييرات خشکسالي در طول زمان، روند آن در سال 1990 و 2023 مورد بررسي قرار گرفت. براي بررسي پوشش گياهي از شاخص تفاوت نرمال شده پوشش گياهي (NDVI) و شاخص اصلاح شده خاک پوشش گياهي (MSAVI) استفاده شد. در سال 1990 بيشترين ميزان NDVI معادل 5/0 بوده و کمترين آن در حدود 31/0- برآورد گرديد. در سال 2023 مقادير حداکثر و حداقل معادل 58/0 و 18/0- بوده است. در شاخص MSAVI اين مقادير براي سال 1990 به ترتيب معادل 66/0 و 88/0- بوده است. اين ميزان براي اين شاخص در سال 2023 معادل 66/0 و 45/0- مي باشد. تغييرات پوشش گياهي بر وضعيت آلبدوي سطح زمين تاثير معکوس مي گذارد. بيشترين و کمترين ميزان آلبدو در سال 1990 حدود 131 و 57 مي باشد. فاکتور دماي سطح زمين نيز با پوشش گياهي رابطه عکس داشته و کاهش پوشش گياهي منجر به افزايش دماي سطح زمين شده مي تواند وضعيت خشکسالي را نشان دهد. در تاريخ 17 مي 1990 بيشترين دماي ثبت شده براي منطقه حدود 46/34 درجه ساتنيگراد بوده و کمترين دما حدود 6/20 درجه سانتيگراد براورد گرديد. براي صحت سنجي مقادير فوق از داده هاي دمايي ايستگاه ماهنشان در تاريخ تصويربرداري ماهواره اي استفاده شده است. بيشترين دماهاي سطح زمين در بخش سحل غربي رودخانه قزل اوزن برآورد شده و کمترين دماها در کشتزارهاي برنج در بخش شرقي رودخانه مشاهده شد. در تاريخ 29 ژوئن 2023 بيشترين و کمترين دما به ترتيب در حدود 59/43 و 27 درجه سانتيگراد مشاهده شد. بررسي ها نشان داد که در بخش شرقي رودخانه برخي نواحي با افزايش دما مواجه شده است. اين فرايند در بازه زماني 33 سال رخ داده و مي تواند به علت کاهش آب رودخانه قزل اوزن و اتکاي روستائيان به منابع آب زيرزميني به وقوع پيوسته است.
برقراري روابط رگرسيوني علاوه بر نمايش همبستگي بين شاخص ها مي تواند قابليت هر شاخص خشکسالي را نسبت به نمونه هاي ديگر نشان دهد. بر اساس روابط رگرسيوني بين شاخص هاي LST، NDVI، MSAVI و albedo، شاخص هاي خشکسالي TVDI، TSDI و VCADI ايجاد شد. در رابطه رگرسيوني بين LST با NDVI، شاخص TVDI ارائه شده و اين دو شاخص از ضريب همبتگي پيرسون معادل 26/0- در سال 1990 برخوردار بوده اند. در واقع رابطه بين NDVI و LST به صورت معکوس مي باشد. ضريب همبستگي بين دو شاخص LST و MSAVI نيز معادل 23/0- مي باشد. مقدار فوق براي سال 1990 بوده است. از طريق رابطه رگرسيوني بين اين دو شاخص، شاخص TSDI ارائه شده است. مقادير ضريب همبستگي اين دو شاخص در سال 2023 معادل 54/0- بوده است. از طريق روابط رگرسيوني بين albedo و NDVI نيز شاخص VCADI ارائه گديده و ضريب همبستگي پيرسون براي اين دو شاخص در سال هاي 1990 و 2023 به ترتيب معادل 14/0- و 23/0- مي باشد. بررسي ها نشان داد که همبستگي ها در سال 2023 نسبت به سال 1990 قويتر بوده و بيشترين همبستگي به ميزان 55/0- بين دو شاخص LST و NDVI مشاهده شد. از روابط بين اين دو شاخص، شاخص TVDI ارائه شده است. روابط همبستگي بين LST و MSAVI با مقادير معادل 54/0- در جايگاه دوم قرار دارد.
شکل 2. نقشه شاخص هاي NDVI، MSAVI، LST و albedo در سال 1990
شکل 3. نقشه شاخص هاي NDVI، MSAVI، LST و albedo در سال 1990
شکل 4. نمودارهاي پراکنش شاخص هاي TVDI، TSDI و VCADI در سال 1990
شکل 5. نمودارهاي پراکنش شاخص هاي TVDI، TSDI و VCADI در سال 2023
بر اساس روابط رگرسيوني بين شاخص هاي LST، MSAVI، albedo و NDVI، شاخص هاي TVDI، TSDI و VCADI ايجاد شد. نقشه هاي مربوط به اين شاخص ها با قرارگيري ضرايب a و b در نقشه ها ترسيم شد. مقادير a و b به همراه معادلات رگرسيوني در جدول زير نمايش داده شده است.
جدول 1. روابط رگرسيوني و مقادير ضريب همبستگي پيرسون بين شاخص هاي خشکسالي در سال 1990
شاخص خشکسالي | روابط بين شاخص ها | رابطه رگرسيوني | ضريب همبستگي |
TVDI | LST و NDVI | LST= -6.2 (NDVI)+25 | 26/0- |
TSDI | LST و MSAVI | LST= -3.01 (MSAVI)+25 | 23/0- |
VCADI | Albedo و NDVI | albedo= -18.3 (NDVI)+85 | 14/0- |
جدول 2. روابط رگرسيوني و مقادير ضريب همبستگي پيرسون بين شاخص هاي خشکسالي در سال 1990
شاخص خشکسالي | روابط بين شاخص ها | رابطه رگرسيوني | ضريب همبستگي |
TVDI | LST و NDVI | LST= -18.7 (NDVI)+36.9 | 55/0- |
TSDI | LST و MSAVI | LST= -13.6 (MSAVI)+37 | 54/0- |
VCADI | Albedo و NDVI | albedo= -4486 (NDVI)+15190 | 23/0- |
پس از ترسيم نقشه ها، منطقه بر اساس شدت خشکسالي و روش طبقه بندي شکست طبيعي جنکز به 5 طبقه خيلي کم، کم، متوسط، زياد و خيلي زياد تقسيم شد. تقسيم بندي فوق بر اساس روش پيشنهادي ليو و همکاران (2021) انجام شد. بررسي ها نشان داد که منطقه خشکسالي خيلي کم در شاخص VCADI براي سال 1990 معادل 38/0 کيلومتر مربع بوده و اين ميزان براي اين شاخص در سال 2023 معادل 89/0 برآورد گرديد. ليکن در اين شاخص وسعت منطقه با خشکسالي خيلي زياد از 65/0 کيلومتر مربع در سال 1990 به 53/1 کيلومتر مربع در سال 2023 افزايش داشته است. بر اين اساس، مناطقي با شدت خشکسالي خيلي زياد از 10 درصد به 6/23 درصد افزايش يافته است. بر اساس شاخص TSDI پهنه با خشکسالي خيلي زياد از 47/0 کيلومتر مربع در سال 1990 به 21/1 کيلومتر مربع در سال 2023 افزايش يافته است. به عبارتي ديگر ميزان اين پهنه از 26/7 درصد کل منطقه در سال 1990 به 7/18 درصد در سال 2023 افزايش يافته است. در شاخص TVDI نيز ميزان خشکسالي خيلي زياد از 10 درصد به 64/23 درصد افزايش يافته است.
شکل 6. نقشه طبقه بندي شدت خشکسالي بر اساس شاخص هاي TVDI، TSDI و VCADI در سال 1990
شکل 7. نقشه طبقه بندي شدت خشکسالي بر اساس شاخص هاي TVDI، TSDI و VCADI در سال 2023
جدول 3. مساحت پهنه هاي متاثر از خشکسالي در شاخص هاي TVDI، TSDI و VCADI در سال 1990 و 2023(کيلومتر مربع)
شاخص | شدت خشکي | 1990 | 2023 | ||
مساحت (کيلومتر مربع) | درصد | مساحت (کيلومتر مربع) | درصد | ||
VCADI | خيلي کم | 38/0 | 87/0 | 89/0 | 75/13 |
کم | 81/0 | 51/12 | 31/1 | 24/20 | |
متوسط | 72/1 | 58/26 | 32/1 | 78/20 | |
زياد | 89/2 | 04/50 | 4/1 | 63/21 | |
خيلي زياد | 65/0 | 10 | 53/1 | 6/23 | |
TSDI | خيلي کم | 59/0 | 11/9 | 16/1 | 92/17 |
کم | 1/1 | 17 | 24/1 | 37/21 | |
متوسط | 78/1 | 73/27 | 19/1 | 39/20 | |
زياد | 52/2 | 9/38 | 27/1 | 62/19 | |
خيلي زياد | 47/0 | 26/7 | 21/1 | 7/20 | |
TVDI | خيلي کم | 38/0 | 87/5 | 89/0 | 75/13 |
کم | 81/0 | 95/12 | 3/1 | 1/20 | |
متوسط | 72/1 | 58/26 | 32/1 | 88/20 | |
زياد | 89/2 | 6/44 | 4/1 | 63/21 | |
خيلي زياد | 65/0 | 10 | 53/1 | 64/23 | |
جدول 4. مقادير ضريب کاپا در بين شاخص هاي TSDI، TVDI و VCADI در سال هاي 1990 و 2023
شاخص | ضريب کاپا 1990 | ضريب کاپا 2023 |
TVDI | 62/0 | 73/0 |
TSDI | 57/0 | 69/0 |
VCADI | 49/0 | 51/0 |
در آخرين بخش از تحقيق براي صحت سنجي بين شاخص ها از ضريب کاپا استفاده شد. مقادير ضريب فوق براي هر يک از شاخص ها در سال هاي 1990 و 2023 انجام شد. بر اساس مقادير حاصله مشاهده مي شود که ضريب کاپا در شاخص TVDI به ميزان 73/0 بيشترين ميزان حاصله در بين شاخص ها بوده و شاخص TSDI با مقادير 69/0 در جايگاه بعدي قرار دارد. مقادير حاصله در جدول 4 نشان داده شده است.
نتيجهگيري
ساحل رودخانه قزل اوزن در بخش حصار استان زنجان جز نقاطي است که به علت قرارگيري در ساحل رودخانه، اختصاص به کشت برنج يافته است ليکن کاهش حجم آب رودخانه منجر به اتکاي کشاورزان به منابع آب زيرزميني شده است. براي بررسي شرايط خشکسالي نياز به بررسي پارامترهاي پوشش گياهي، دماي سطح زمين و آلبدو مي باشد. لذا در اين تحقيق با برقراري روابط رگرسيوني بين شاخص هاي NDVI، LST و albedo شاخص هاي خشکسالي TVDI، TSDI و VCADI ارائه شد. نتايج نشان داد که بيشترين همبستگي پيرسون به ميزان 55/0- متعلق به روابط بين NDVI و LST داشته و بر اين اساس، شاخص خشکسالي TVDI ارائه شد. همچنين نتايج نشان داد که بين تمامي شاخص ها با شاخص LST و albedo همبستگي منفي برقرار بوده است. بر اساس شاخص هاي خشکسالي مشاهده شد که در شاخص VCADI مناطق برخوردار از خشکسالي خيلي زياد از 65/0 کيلومتر مربع به 53/1 کيلومتر مربع افزايش يافته و از 10 درصد به 6/23 درصد رسيده است. در شاخص هاي TSDI و TVDI نيز نتايج مشابهي حاصل شده و به ترتيب از 10 و 26/7 درصد در سال 1990 به 64/23 و 7/18 درصد در سال 2023 رسيده است. بر اساس روابط همبستگي مشاهده شد که شاخص TVDI نسبت به شاخص هاي TSDI و VCADI به نتايج بهتري دست يافته است. بررسي ها نشان مي دهد که وضعيت خشکسالي در منطقه در حال شدت يافتن بوده است. احداث سدها بر روي اين رودخانه و بهره برداري از منابع آبي اين رودخانه باعث کاهش قابل توجه سطح اين رودخانه شده و ساکنان محلي را با مشکلات قابل توجهي در زمينه کشاورزي، باغداري و پرورش ماهي مواجه ساخته است.
Reference:
Amani, M., Salehi, B., Mahdavi, S., Masjedi, A., & Dehnavi, S. (2017). Temperature-vegetation-soil moisture dryness index (TVMDI). Remote Sens. Environ 197: 1–14.
Amazirh, A., Merlin, O., Er-Raki, S., Gao, Q.i., Rivalland, V., Malbeteau, Y., Khabba, S., & Escorihuela, M.J. (2018). Retrieving surface soil moisture at high spatio-temporal resolution from a synergy between sentinel-1 Radar and Landsat thermal data: a study case over bare soil. Remote Sens. Environ 211: 321–337.
Bento, V.A., Gouveia, C.M., DaCamara, C.C., & Trigo, I.F. (2018). A climatological assessment of drought impact on vegetation health index. Agr. Forest Meteorol 259: 286–295.
Brown, J.F., Wardlow, B.D., Tadesse, T., Hayes, M.J., & Reed, B.C. (2008). The vegetation drought response index (VegDRI): a new integrated approach for monitoring drought stress in vegetation. GISci. Remote Sens 45 (1): 16–46.
Cammalleri, C., & Vogt, J.V. (2019). Non-stationarity in MODIS FAPAR time-series and its impact on operational drought detection. Int. J. Remote Sens 40 (4): 1428–1444.
Dang, C.Y., Liu, Y., Yue, H., Qian, J.X., & Zhu, R. (2020). Autumn crop yield prediction using data-driven approaches: support vector machines, random forest, and deep neural network methods. Can. J. Remote Sens., 1–20
Ghulam, A., Qin, Q., & Zhan, Z. (2007). Designing of the perpendicular drought index. Environ. Geol 52 (6): 1045–1052.
Hamzeh, S., Farahani, Z., Mahdavi, S., Chatrobgoun, O., & Gholamnia, M. (2017). Spatio-temporal monitoring of agricultural drought using remotely sensed data (Case study of Markazi province of Iran). Journal of Spatial Analysis Environmental Hazards 4 (3) :53-70 [In Persian]
Han, L., Wang, P., Yang, H., Liu, S., & Wang, J. (2006). Study on NDVI-Ts space by combining LAI and evapotranspiration. Sci. China Earth Sci 49 (7): 747–754.
Kafy, A.A. (2021). Impact of Vegetation Cover Loss on Surface Temperature and Carbon Emission in a Fastest-Growing City, Cumilla, Bangladesh, 207. Building and Environment.
Khellouk, R., Barakat, A., Jazouli, A.E., Boudhar, A., & Benabdelouahab, T. (2019). An integrated methodology for surface soil moisture estimating using remote sensing data approach. Geocarto Int 30: 1–14
Kogan, F.N. (1995). Application of vegetation index and brightness temperature for drought detection. Adv. Space Res 15 (11): 91–100.
Le Page, M., & Zribi, M. (2019). Analysis and predictability of drought in northwest Africa using optical and microwave satellite remote sensing products. Sci. Rep-uk. 9, 1466.
Liu, Y., Wu, L.X., & Ma, B.D. (2013). Remote sensing monitoring of soil Moisture on the basis of TM/ETM + spectral space. J. China Univ. Min. Technol 42: 296–301 (in Chinese).
Liu, Y., Wu, L., & Yue, H. (2015). Biparabolic NDVI-Ts space and soil moisture remote sensing in an arid and semi-arid area. Can. J. Remote Sens 41 (3: 159–169.
Liu, Y., & Yue, H. (2017). Dynamic monitoring of drought conditions in Henan Province based on LAI-Ts space. IEEE Geosci. Remote Sens. Symp 23: 5097–15010
Liu, Y., & Yue, H. (2018). The temperature vegetation dryness index (TVDI) based on bi-parabolic NDVI-Ts space and gradient-based structural similarity (GSSIM) for long-term drought assessment across Shaanxi province, China (2000–2016). Remote Sens-Basel. 10 (6), 959. https:// doi.org/10.3390/rs10060959.
Liu, Y., Dang, C., Yue, H., Lyu, C., & Dang, X. (2021). Enhanced drought detection and monitoring using sun-induced chlorophyll fluorescence over Hulun Buir Grassland, China. Sci. Total Environ. 770, 145271. https://doi.org/10.1016/j.scitotenv.2021.145271.
Lu, Y., Horton, R., Zhang, X., & Ren, T. (2018). Accounting for soil porosity improves a thermal inertia model for estimating surface soil water content. Remote Sens. Environ 212: 79–89.
Lu, Y., Tao, H., & Wu, H. (2007). Dynamic drought monitoring in Guangxi using revised temperature vegetation dryness index. Wuhan Univ. J. Natl. Sci 12 (4): 663–668.
Marzban, F., Sodoudi, S., & Preusker, R. (2018). The influence of land-cover type on the relationship between NDVI–LST and LST-Tair. Int. J. Remote Sens 39 (5): 1377–1398.
Pandey, V., & Srivastava, P. (2019). Integration of microwave and optical/ infrared derived datasets for a drought hazard inventory in a subtropical region of India. Remote Sens-Basel. 11 (4), 439. https://doi. org/10.3390/rs11040439.
Patel, N.R., Anapashsha, R., Kumar, S., Saha, S.K., & Dadhwal, V.K. (2009). Assessing potential of modis derived temperature/vegetation condition index (tvdi) to infer soil moisture status. Int. J. Remote Sens 2009 (30): 23–39.
Peng, J., Muller, J.-P., Blessing, S., Giering, R., Danne, O., Gobron, N., Kharbouche, S., Ludwig, R., Mu¨ ller, B., Leng, G., You, Q., Duan, Z., & Dadson, S. (2019). Can we use satellite-based FAPAR to detect drought? Sensors-Basel. 19 (17), 3662. https://doi.org/10.3390/s19173662.
Pickett-Heaps, C.A., Canadell, J.G., Briggs, P.R., Gobron, N., Haverd, V., Paget, M.J., Pinty, B., & Raupach, M.R. (2014). Evaluation of six satellite-derived fraction of absorbed photosynthetic active radiation (FAPAR) products across the Australian continent. Remote Sens. Environ 140: 241–256.
Pourkhosravani, M., Mehrabi, A., & Mousavi, S. (2018). Drought spatial analysis of Sirjan Basin using Remote sensing, Desert Ecosystem engineering Journal 7(20): 13-22. [In Persian]
Price, J.C. (1985). On the analysis of thermal infrared imagery: the limited utility of apparent thermal inertia. Remote Sens. Environ 18 (1): 59– 73.
Qin, H., Wang, C., Pan, F., Lin, Y., Xi, X., & Luo, S. (2017). Estimation of FPAR and FPAR profile for maize canopies using airborne Lidar. Ecol. Indic 83: 53–61.
Sandholt, I., Andersen, J., & Rasmussen, K. (2002). A simple interpretation of the surface temperature/vegetation index space for assessment of soil moisture status. Remote Sens. Environ 79: 213–224.
Sui, X.X., Qin, Q.M., Dong, H., Wang, J.L., Meng, Q.Y., & Liu, M.C. (2013). Monitoring of farmland drought based on LST-LAI spectral feature space. Spectrosc. Spect. Anal 33: 201–205
Thakur, S., Mondal, I., Bar, S., Nandi, S., Das, P., Ghosh, P.B., & De, T.K. (2020). Shoreline changes and its impact on the mangrove ecosystems of some Islands of Indian Sundarbans, North- East coast of India, J Clean Prod, 284, 124764. Elsevier.
Wang, P.X., Li, X.W., Gong, J.Y., & Song, C.H. (2001). Vegetation temperature condition index and its application for drought monitoring. In: Proceedings of the International Geoscience and Remote Sensing Symposium, Sydney, Australia, 9–13 July 2001.
Wang, H., He, N., Zhao, R., & Ma, X. (2020). Soil water content monitoring using joint application of PDI and TVDI drought indices. Remote Sens. Lett 11 (5): 455–464.
Wang, W., Huang, D., Wang, X.-G., Liu, Y.-R., & Zhou, F. (2011). Estimation of soil moisture using trapezoidal relationship between remotely sensed land surface temperature and vegetation index. Hydrol. Earth Syst. Sc. 15 (5): 1699–1712.
Wigmore, O., Mark, B., Mckenzie, J., Baraer, M., & Lautz, L. (2019). Submeter mapping of surface soil moisture in proglacial valleys of the tropical Andes using a multispectral unmanned aerial vehicle. Remote Sens. Environ. 222: 104–118.
Wu, Z., Lei, S., Bian, Z., Huang, J., & Zhang, Y. (2019). Study of the desertification index based on the albedo-MSAVI feature space for semi-arid steppe region. Environ. Earth. Sci. 78, 232.
Yagci, A.L., & Santanello, J.A. (2018). Estimating evapotranspiration from satellite using easily obtainable variables: a case study over the southern Great Plains, USA. IEEE J-Stars. 11 (1): 12–23.
Yildirima, T., & Asika, S. (2018). Index-based assessment of agricultural drought using remote sensing in the semi-arid region of western Turkey. J. Agr. Sci.-Tarim. Bili. 24: 510–516.
Yue, H., Liu, Y., & Qian, J. (2020). Soil moisture assessment through the SSMMI and GSSIM algorithm based on SPOT, WorldView-2, and Sentinel-2 images in the Daliuta Coal Mining Area, China. Environ. Monit. Assess. 192, 237.
Zhao, H., Li, Y.i., Chen, X., Wang, H., Yao, N., & Liu, F. (2021). Monitoring monthly soil moisture conditions in China with temperature vegetation dryness indexes based on an enhanced vegetation index and normalized difference vegetation index. Theor. Appl. Climatol. 143 (1-2): 159–176.
Zhao, L.H., Du, P.J., Pang, Y.F., & Zhang, H.P. (2010). Monitoring drought using temperature/vegetation drought index based on remote sensing images. Bull. Soil Water Conserv. 30, 110–115
Zormand, S., Jafari, R., & Koupaei, S.S. (2017). Assessment of PDI, MPDI and TVDI drought indices derived from MODIS Aqua/Terra Level 1B data in natural lands. Nat. Hazards. 86 (2): 757–777.
يادداشت‌ها10
[1] Normalized difference vegetation index
[2] Land surface temperature
[3] Temperature vegetation dryness index
[4] Vegetation Temperature Condition Index
[5] Leaf area index
[6] Soil adjusted vegetation index
[7] Enhanced Vegetation Index
[8] Vegetation condition albedo dryness index
[9] Total storage deficit index
