تاثیر خشکسالی بر روند پوشش گیاهی حوضه‌ی آبخیز سد ملاصدرا، و کاربرد فنون سنجش از دور برای پایش آن

محورهای موضوعی : مقالات برگرفته از پایان نامه

غلامعلی مظفری ¹ (دانشیار گروه جغرافیا طبیعی- آب و هواشناسی، دانشگاه یزد)
مهدی نارنگی فرد ² (دانشجوی دوره دکترا جغرافیا طبیعی- آب ‌و هواشناسی، دانشگاه یزد)

تاریخ دریافت : 1394/12/10 تاریخ پذیرش : 1394/12/10 تاریخ انتشار : 1394/09/01

کلید واژه: پایش خشکسالی, شاخصهای پوشش گیاهی, ماهواره‌ی TRMM, حوضه‌ی آبخیز سد ملاصدرا,

چکیده مقاله :

خشکسالی یک پدیده و خطر پیچیده­ی طبیعی، ناشی از شکستن تراز آبی است، که تأثیر آن همیشه در حوزه‌های زیست محیطی مشهود می‌باشد. بدین منظور، به‌کارگیری فن­آوری سنجش از دور در پایش خشکسالی، با توجه به کمبود ایستگاههای اندازه­گیری عناصر آب­وهوایی، بسیار پراهمیت است. در این پژوهش شاخصهای پوشش گیاهی NDVI، RVI، VCI، DSI، VSWI، SAVI، TCI و EVI حاصله از تصاویر سنجنده­ی TM ماهواره­ی LANDSAT به تاریخهای: 13/6/2010 و 16/5/2000 جهت پایش خشکسالی مورد استفاده قرار گرفتند. همچنین، آمار بارندگی در بازه­ی زمانی 14 ساله (1998-2012) مستخرج از ماهواره­ی TRMM با تفکیک مکانی 25/0 × 25/0 درجه مشتمل بر 15 نقطه دریافت گردیدند، سپس، با به‌کارگیری شاخصهای خشکسالی آزمون دنباله­ها و شاخص معیار بارش سالانه (SIAP) سالهای تر و خشک مشخص گردیدند. نتایج بیانگر وجود پنج سال خشک (2011-2006)، چهار سال بهنجار و پنج سال تر می‌باشد. با بررسی شاخصهای NDVI و SAVI، شاهد افزایش مقادیر کمینه و بیشینه در سالهای تر می­باشیم؛ همچنین، با توجه به این شرایط دمایی تأثیر بسزایی بر میزان خشکی دارد، با تلفیق شاخصهای پوشش گیاهی و دمای سطح زمین در شاخصهای DSI - VSWI میزان تفاوت مقادیر این شاخصها در سالهای تر و خشک به دست آمد.

چکیده انگلیسی:

Drought is a complex natural phenomenon caused by the breakdown of the water balance and its affection on the environmental field is obvious. In this regard, the application of remote sensing technologies in monitoring drought becomes mandatory where a satisfactory number of climatological stations is lacking. The present study employed NDVI, RVI, VCI, DSI, VSWI, SAVI, TCI and EVI vegetation indices derived from the TM sensor of the LANDSAT satellite in 13.06.2010 and 05.16.2000 for drought monitoring. Furthermore, the amount of precipitation in a span of 14 years (1998-2012) comprising 15 grade points were extracted from the TRMM satellite-assisted collected data with a special resolution of 0.25×0.25. The wet and dry years were identified using the Standard Index of Annual Precipitation (AIAP). The results show a five-year of drought (2011-2006) period, four years with normal and five years with adequate precipitation. The application of the NDVI and SAVI indices reveal that an increase in the minimum and maximum values is expected in the wet years. In addition, as the ambient temperature greatly affects the vegetative covers conditions, the difference between the values in the wet and drought years were obtained through combining the DSI and VSWI temperature and vegetation indices.

منابع و مأخذ:

1. ابراهیمی خوسفی، م، ر، درویش­زاده، ع. متکان، و د. عاشورلو. 1389. بررسی خشکسالی در مناطق خشک مرکزی ایران با استفاده از تصاویر ماهواره­ای با تکیه بر شاخص‌های گیاهی (مطالعه موردی: شیرکوه یزد). علوم محیطی. 7 (4):52-79.


2. احترامیان، ک، ع، شهاب­فر، م، ناظم­السادات، 1389. پیش­بینی شرایط خشکسالی با استفاده از شاخص بهنجار شده اختلاف پوشش گیاهی (NDVI) در ایران، همایش ژئوماتیک.


3. احمدی، م، م، نارنگی­فرد، م، فنودی، 1393. اعتبار سنجی داده­های بارشی ماهواره TRMM بر اساس داده­های زمین­مبنا در استان فارس، دوازدهمین کنگره جغرافیدانان ایران، دانشگاه آزاد اسلامی واحد نجف آباد.


4. باعقیده، م، ب. علیجانی، و پ ضیائیان. 1390. بررسی امکان استفاده از شاخص پوشش گیاهی NDVI در تحلیل خشکسالی‌های استان اصفهان. مطالعات جغرافیایی مناطق خشک4: 1-16.


5. برنا، ر، ف، عظیمی، ن، سعیدی دهکی، 1389. مقایسه شاخص­هایSIAP ، PN و RAI در بررسی خشکسالی­های استان خوزستان با تاکید بر ایستگاههای آبادان و دزفول. جغرافیا طبیعی9: 77-88.


6. پرویز، ل، م، خلقی، خ، ولیزاده، ش. عراقی­نژاد، و پ. ایران­نژاد، 1390. بررسی کارایی شاخصهای منتج از فن­آوری سنجش از دور در ارزیابی خشکسالی هواشناسی؛ مطالعه موردی: حوضه­ی آبخیز سفیدرود. جغرافیا و توسعه22: 147-164.


7. پورمحمدی، س، م، رحیمیان، م. کلانتر، و س. پورمحمدی، 1391. پهنه­بندی تأثیر خشکسالی بر پوشش گیاهی به وسیله­ی سنجش از دور در دشت یزد-اردکان. پژوهش­های جغرافیای طبیعی 44 2: 125-140.


8. ثنایی­نژاد، ح، ک. داوری، و ع. عابدی. 1386. پایش خشکسالی کشاورزی در دشت مشهد با استفاده از نمایه NDVI و معرفی نمایه جدید APVI. مجله علوم و صنایع کشاورزی (آب و خاک). 1: 89-91.


9. جلیلی، ش، س، مرید، پ، ضیاییان فیروزآبادی، 1387. مقایسه عملکرد شاخص‌های ماهواره‌ای و هواشناسی در پایش خشکسالی. تحقیقات آب و خاک ایران 1: 139-149.


10. رحمانی، ن، ک، شاهدی، م، میریعقوب­زاده، 1390. ارزیابی شاخص­های پوشش گیاهی مورد استفاده در سنجش از دور (مطالعه موردی؛ حوضه­ی هرسیک). همایش ژئوماتیک.


11. شمسی پور، ع، ک، علوی­پناه، ح، محمدی، 1389. بررسی کارآیی شاخص­های گیاهی و حرارتی ماهواره NOAA-AVHRR در تحلیل خشکسالی منطقه کاشان. فصلنامه تحقیقات مرتع و بیابان ایران3: 445-465.


12. شیروانی، ا، ا، فخاری­زاده شیرازی، 1393. مقایسه مقادیر مشاهداتی بارش و برآوردهای ماهواره TRMM در استان فارس، نشریه هواشناسی کشاورزی 2(2): 1-15.


13. عرفانیان، م، ن، وفایی، م، رضاییان­زاده، 1393. ارائة یک روش نوین برای ارزیابی ریسک خشکسالی استان فارس با تلفیق داده­های ماهانة بارندگی ماهوارة TRMM و داده­های شاخص پوشش گیاهی NDVI سنجنده Terra/MODIS. پژوهش­های جغرافیای طبیعی 46 1: 93-108.


14. علیزاده، ا، 1385. اصول هیدرولوژی کاربردی. مشهد. انتشارات دانشگاه فردوسی مشهد.


15. فرج­زاده، م، ا، فتح­نیا، ب، علیجانی، پ، ضیائیان، 1390. ارزیابی تأثیر عوامل اقلیمی بر رشد پوشش گیاهی در مراتع متراکم ایران با استفاده از تصاویر AVHRR. پژوهش­های جغرافیای طبیعی75: 1-14.


16. مظفری، غ، 1385. عدم تطابق خشکسالی هواشناسی و خشکسالی هیدرولوژی در دو حوضه­ی آبخیز همجوار در دامنه شمالی شیرکوه یزد. فصلنامه مدرس علوم انسانی 174-190.


17. نسیمی، ع، ض، محمدی، 1393. ارزیابی آسیب‏پذیری استان یزد در برابر خشکسالی با استفاده از شاخص بارش معیار و روش‌های زمین‏آماری، مهندسی منابع آب 7 20: 79-90.


18. یزدانپناه، ح، م، مومنی، ح. حسینقلی­نژاد دزفولی، و م. سلیمانی تبار. 1393. مقایسه شاخص­های پوشش گیاهی سنجش از دور در پایش خشکسالی (مطالعه موردی مراتع نیمه شمال استان خوزستان)، جغرافیا و برنامه ریزی محیطی 25 2: 85-98.
    
    
    1. Du, L., Q., Tian, T. Yu, , Q., Meng, T., Jancso, P., Udvardy, Y. Huang. 2013. A comprehensive drought monitoring method integrating MODIS and TRMM data. Int J Appl Earth Observ Geoinform. 23: 245-253.
    
    
    2. Ezzine, H., A., Bouziane, D.Ouazar, 2014. Seasonal comparisons of meteorological and agricultural drought indices in Morocco using open short time-series data. Int J Appl Earth Observ Geoinform. 26: 36-48.
    
    
    3. Frolking, S., T., Milliman, M.,Palace, D., Wisser, R., Lammers, Fahnestock, M. 2011. Tropical forest backscatter anomaly evident in Sea Winds scatter meter morning overpass data during 2005 drought in Amazonia. Remote Sensing of Environ. 115: 897-907.
    
    
    4. Gilabert, M.A., J., Gonza´lez-Piqueras, F.J., Garcı´a-Haro, J. Melia, 2002. A generalized soil-adjusted vegetation index. Remote Sens Environ. 82: 303–310.
    
    
    5. Ginciene, B., M. D. Bitencourt, 2011. Utilização do EVI (Enhanced Vegetation Index) para maior sensibilidade na detecção de mudanças temporais em fragmentos de floresta estacional semidecidual. Anais XV Simpósio Brasileiro de Sensoriamento Remoto. 1620-1627.
    
    
    6. http://disc2.nascom.nasa.gov
    
    
    7. http://earthexplorer.usgs.gov
    
    
    8. Huete, A. R., H. Q., Liu, K., Batchily, & W. J. D. A. Van Leeuwen, 1997. A Comparison of vegetation indices over a Global Set of TM Images for EOS-MODIS, Remote Sens Environ, 59: 440-451.
    
    
    9. Justice, C. O., E., Vermote, J. R. G., Townshend, R., Defries, D. P., Roy, D. K., Hall, V. V., Salomonson, J. L., Privette, G., Riggs, A., Strahler, W.,  Lucht, R. B., Myneni, Y., Knyazikhin, S. W., Running, R. R., Nemani, Z., Wan, A. R., Huete, W., van Leeuwen, R. E., Wolfe, L., Giglio, J. P., Muller, P., Lewis, & M. J. Barnsley, 1998. The Moderate Resolution Imaging Spectroradiometer (MODIS): land remote sensing for global change research. IEEE Trans Geosci Remote Sens. 36: 1228– 1249.
    
    
    10. Kogan, F. N. 1995. Application of vegetation index and brightness temperature for drought detection, Adv Space Res. 15: 91–100.
    
    
    11. Liu, Q., and A. Huete, 1995. A feedback based modification of the NDVI to minimize canopy background and atmospheric noise, IEEE Trans Geosc. Remote Sens. 33: 457– 465.
    
    
    12. Major, D. J., F., Baret, and G. Guyot, 1990. A ratio vegetation index adjusted for soil brightness. Int. J Remote Sens. 11: 727-740.
    
    
    13. Pearson, R. L., and L. D. Miller, 1972. Remote mapping of standing crop biomass for estimation of the productivity of the shortgrass prairie, Pawnee National Grasslands, Colorado, (II): 1355–1379. In Proc. of the 8th Int Symp. Remote Sens Environ.
    
    
    14. Qi, J., Al., Chehbouni, A. R., Huete, Y. H., Kerr, and S. A. Sorooshian, 1994. Modified soil adjusted vegetation index (MSAVI). Remote Sens Environ. 48: 119– 126.
    
    
    15. Heim Jr., R. R. 2002. A review of twentieth-century drought indices used in the United States. Bull Am Meteorol. Soc. 83: 1149-1165.
    
    
    16. Richardson, A. J., and C. L. Wiegand, 1977. Distinguishing vegetation from soil background information. Photogram Eng. Remote Sens. 43: 1541– 1552.
    
    
    17. Rondeaux, G., M., Steven, and F. Baret, 1996. Optimization of soil-adjusted vegetation indices. Remote Sens. Environ. 55: 95–107.
    
    
    18. Rouse, J.W., R.H. Haas, J.A. Schell, and D.W. Deering. 1973. Monitoring vegetation systems in the Great Plains with ERTS. Third ERTS Symp. NASA SP-351: 309-317.
    
    
    19. Son, N.T. C.F. Chen, C.R. Chen, L.Y. Chang, V.Q. Minh, 2012. Monitoring agricultural drought in the Lower Mekong Basin using MODIS NDVI and land surface temperature data. Int J Appl. Earth Observ Geoinform. 18: 417-427.
    
    
    20. Xiao, X., B., Braswell, Q., Zhang, S., Boles, S., Frolking, B, Moore, 2003. Sensitivity of vegetation indices to atmospheric aerosols: continental-scale observations in Northern Asia. Remote Sens Environ. 84: 385–392.
    
    
    21. Zhang, A., and G. Jia, 2013. Monitoring meteorological drought in semiarid regions using multi-sensor microwave remote sensing data, Remote Sen Environ. 134: 12-23.