تحلیل اقلیمی و ارزیابی ماهواره ای وضعیت خشکسالی استان دهوک اقلیم کردستان عراق
الموضوعات :جبار حاجی سرکفت 1 , سهیلا جوانمرد 2 , زهرا عزیزی 3 , مجید حبیبی نوخندان 4
1 - دانشجوی گروه سنجش از دور و سيستم اطلاعات جغرافيايي ، داﻧﺸﮑﺪه منابع طبیعی و محیط زیست، دانشگاه آزاد واحد علوم و تحقیقات، تهران، ایران.
2 - دانشیار پژوهشگاه هواشناسی و علوم جو، تهران، ایران. * (مسوول مکاتبات)
3 - استادیار گروه سنجش از دور و سيستم اطلاعات جغرافيايي ، داﻧﺸﮑﺪه منابع طبیعی و محیط زیست، دانشگاه آزاد واحد علوم و تحقیقات، تهران، ایران.
4 - دانشیار پژوهشگاه هواشناسی و علوم جو، تهران، ایران.
الکلمات المفتاحية: خشکسالی, شاخص SPI , شاخص پوشش گیاهی NDVI, اقلیم کردستان, سنجنده MODIS.,
ملخص المقالة :
زمینه و هدف: خشکسالی یکی از بلایای طبیعی رایج و مکرر است که به طور قابل توجهی بر بخش کشاورزی و اقتصادی-اجتماعی مناطق خشک و نیمه خشک تأثیر می گذارد. بنابراین، درک ویژگی‌های تکامل و گسترش انواع مختلف خشکسالی، اطلاعات مفیدی در مورد راهکارهای سازگاری و کاهش خسارات ناشی از خشکسالی بر تولید محصولات کشاورزی، پوشش گیاهی و غیره ارائه می دهد. هدف از این تحقیق ارزیابی خشکسالی با استفاده از شاخص بارندگی استاندارد شده (SPI) و شاخص نرمال شده اختلاف پوشش گیاهی NDVI در استان دهوک، منطقه کردستان عراق می باشد.
روش بررسی: در این تحقیق بر اساس داده‌‌های هواشناسی، تصاویر ماهواره‌‌ای وضعیت اقلیمی استان و شهر دهوک به منظور پایش خشکسالی، مورد ارزیابی و تحلیل قرار گرفت. ابتدا مولفه های اقلیمی از جمله میانگین ماهانه و سالانه بارندگی و دمای ایستگاههای هواشناسی استان دهوک (دهوک، آکری و آمیدی) طی 6 سال( 2020 – 2015 ) استخراج شد. سپس با استفاده از پارامترهای هواشناسی طبقه بندی اقلیمی بلر و دومارتن اقلیم سه ایستگاه هواشناسی استان دهوک تعیین گردید. همچنین به منظور ارزیابی خشکسالی از شاخص بارندگی استاندارد شده (SPI) و شاخص نرمال شده اختلاف پوشش گیاهی NDVI طی سالهای ( 2020 – 2015 ) استفاده شده است.
یافته ها: بر اساس طبقه‌‌بندی اقلیمی بلر هر سه شهر دهوک، آکری و شهر آمیدی جزو مناطق نیمه مرطوب به شمار می‌‌آیند. همچنین بر اساس طبقه‌‌بندی اقلیمی دومارتن شهر دهوک جزو مناطق نیمه خشک و دو شهر آکری و آمیدی جزو مناطق نیمه مرطوب طبقه‌‌بندی شده‌‌اند. با توجه به شاخص SPI مشخص شد که خشک‌‌ترین ماه در ژوئن سال 2017 با SPI 67/1- (بسیار خشک) و مرطوب‌‌ترین ماه در مارس سال 2019 با SPI 48/3 (شدیداً مرطوب) اتفاق افتاده است. سپس با استفاده از شاخص NDVI درصد پوشش گیاهی استان دهوک نیز طی 6 سال ( 2020 – 2015) استخراج گردید. شاخص های درصد پوشش گیاهی خوب و متوسط از سال 2015 تا 2017 روند کاهشی داشته اند، به طوری که در سال 2017 نسبت به سالهای دیگر کمترین (خشک ترین) شده است. شاخص درصد پوشش گیاهی خوب طی دو سال 2018 و 2019 با سیر صعودی مواجه شده و تا حد مرطوب و بسیار مرطوب پیش رفته است. درصد پوشش گیاهی ضعیف از سال 2015 تا 2017 روند افزایشی و در سالهای 2018 و 2019 روند کاهشی داشته است به طوری که با نتایج شاخص SPI در توافق و هماهنگی بسیار خوبی بوده است.
بحث و نتیجه گیری: مقادیر شاخص SPI نشان می‌‌دهد که سال 2017 خشکسالی در استان دهوک رخ داده است. به طوری که از 2015 روند خشکسالی آغاز شده، در سال 2016 تداوم یافته و در سال 2017 به اوج خود رسیده است. این مقادیر و روند منطبق بر درصد پوشش گیاهی در شهر دهوک بوده است. به عبارتی، مقادیر شاخص خشکسالی SPIبا استفاده از داده‌‌های ایستگاههای هواشناسی دهوک، آکری و آمیدی منطبق با شاخص پوشش گیاهی NDVI مستخرج از داده های ماهواره‌‌ای لندست می باشد.
1. Zhao, M., & Running, S. W. (2010). Drought-induced reduction in global terrestrial net primary production from 2000 through 2009. Science, 329(5994), 940-943.
2. Vicente-Serrano, S. M., Beguería, S., & López-Moreno, J. I. (2010). A multiscale drought index sensitive to global warming: the standardized precipitation evapotranspiration index. Journal of climate, 23(7), 1696-1718.
3. Heim Jr, R. R. (2002). A review of twentieth-century drought indices used in the United States. Bulletin of the American Meteorological Society, 83(8), 1149-1166.
4. Prakasam, C., & Saravanan, R. (2022). Agricultural Drought Assessment Using GIS: A Case Study. In Hydrological Modeling (pp. 165-181). Springer, Cham.
5. Ji, L., & Peters, A. J. (2003). Assessing vegetation response to drought in the northern Great Plains using vegetation and drought indices. Remote Sensing of Environment, 87(1), 85-98.
6. Zhao, Y.; Zhang, J.; Bai, Y.; Zhang, S.; Yang, S.; Henchiri, M.; Seka, A.M.; Nanzad, L. (2022). Drought Monitoring and Performance Evaluation Based on Machine Learning Fusion of Multi-Source Remote Sensing Drought Factors. Remote Sens., 14, 6398. https://doi.org/3390/10/rs14246398
7. Jianzhu, L.; Shuhan, Z.; Ro’ng, (2015). H. Hydrological Drought Class Transition Using SPI and SRI Time Series by Log linear Regression. Water Resource. Manage. 30, 669–684.
8. Kim, S. W., Jung, D., & Choung, Y. J., (2020). Development of a multiple linear regression model for meteorological drought index estimation based on Landsat satellite imagery. Water, 12(12), 3393.
9. Mtilatila, L., Bronstert, A., Bürger G., Vormoor K., (2020). Meteorological and hydrological drought assessment in Lake Malawi and Shire River basins (1970–2013), Hydrological Sciences Journal, 65:16, 2750-2764, DOI: 1080/10/2020/02626667.1837384.
10. Salighe, M., F. Berimani, Smaeelnejad, M., (2017) Climatic Zoning of Sistan and Baluchistan Province, Journal of Geography and Development, No. 12. (In Persian)
11. Masoudian, Seyyed Abulfazl, Kaviani, Mohammad Reza. (2009). Climatology of Iran, Isfahan University Press, (In Persian)
12. McKee, T. B., J. Nolan, and J. Kleist, (1993). The relationship of drought frequency and duration to time scales. Preprints, Eighth Conf. on Applied Climatology, Anaheim, CA, Amer. Meteor, Soc., 179- 184.
13. Edwards D. C. and Mckee T. B. (1997), Characteristics of 20th century drought in the United States at multiple time scales, Colorado State University, Atmospheric Science Paper No. 634, Climatology Report No. 97-2.
14. Viana, C. M., Oliveira, S., Oliveira, S. C., & Rocha, J., (2019). Land use/land cover change detection and urban sprawl analysis. In Spatial modeling in GIS and R for earth and environmental sciences (pp. 621-651). Elsevier.
15. Drisya, J., & Roshni, T., (2018). Spatio-temporal variability of soil moisture and drought estimation using a distributed hydrological model. In Integrating disaster science and management (pp. 451-460). Elsevier.
