ارزيابي کارايي شاخصهاي مبتني بر سنجش از دور(VCI، TCI، VHI) به منظور پايش سطح خشکسالي در جنوب استان کرمان
محورهای موضوعی : آبخیزداری و استحصال آب
ساقی نشاط
1
,
بهارک معتمدوزیری
2
,
هادی کیادلیری
3
,
مهدی سرائی تبریزی
4
1 - دانشجوي دکتري، گروه مهندسي طبيعت، دانشکده منابع طبيعي و محيط زيست، دانشگاه آزاد اسلامي، واحد علوم و تحقيقات، تهران، ايران.
2 - دانشيار، گروه مهندسي طبيعت، دانشکده منابع طبيعي و محيط زيست، دانشگاه آزاد اسلامي، واحد علوم و تحقيقات، تهران، ايران.
3 - دانشيار، گروه علوم محيط زيست و جنگل،دانشکده منابع طبيعي و محيط زيست، دانشگاه آزاد اسلامي، واحد علوم و تحقيقات، ايران.
4 - استاديار، گروه علوم و مهندسي آب، دانشکده علوم کشاورزي و صنايع غذايي، دانشگاه آزاد اسلامي، واحد علوم و تحقيقات. تهران، ايران.
کلید واژه: خشکسالي, شاخصSPI و VCI, TCI, VHI, تصاوير ماهواره¬اي موديس, جنوب استان کرمان,
چکیده مقاله :
زمينه و هدف: خشکسالي يکي از پديده‌هاي طبيعي است که در اثر کاهش بارش به وجود آمده و باعث کاهش پوشش گياهي و افزايش گرد و غبار مي‌شود. روش رايج پايش خشکسالي مبتني بر داده‌هاي مشاهداتي از ايستگاه‌هاي هواشناسي است و يک شاخص خشکسالي را محاسبه مي‌کند. اطلاع از ميزان و شدت خشکسالي در يک منطقه و برنامه‌ريزي جهت کاهش اثرات آن يکي از مهمترين اصول مديريت در برنامه‌ريزي منطقه‌اي، مبارزه با خشکسالي است. پايش و مديريت خشکسالي در يک منطقه با استفاده از داده‌هاي سنجش از دور و تصاوير ماهوارهاي به عنوان يک ابزار مناسب در پايش زماني و مکاني خشکسالي کشاورزي همواره مورد توجه مديران منطقه‌اي بوده است.
روش پژوهش: در اين پژوهش بررسي کارآيي داده‌هاي سنجش از دور و تصاوير ماهوارهاي در پهنه‌بندي خشکسالي کشاورزي در سال‌هاي2001 تا 2022 در حوزه آبخيز جنوب استان کرمان مورد بررسي قرار مي‌گيرد. براي اين منظور سه شاخص وضعيت پوشش گياهي(VCI)، شاخص وضعيت دمايي(TCI) و شاخص سلامت پوشش گياهي (VHI)از روي تصاوير ماهوارهاي موديس و TerraClimate براي ماه‌هاي دوره رشد از سنجش از دور بر اساس وضعيت پوشش گياهي از اول مارس تا آخر آگوست (2022-2001 ) استخراج و نتايج حاصل از اين شاخص‌ها با مقادير شاخص بارش استاندارد(SPI) ، در سريهاي زماني يک،سه،شش، نه، دوازده، بيست و چهار و چهل و هشت ماهه مقايسه گرديد. در اين تحقيق از روش همبستگي بين ايستگاه‌ها براي بازسازي آمار ايستگاه‌هاي ناقص استفاده گرديد وايستگاه‌هايي که بيشترين همبستگي را با ايستگاه ناقص داشت براي بازسازي مورد استفاده قرار گرفت. سپس بعد از مرتب نمودن داده‌ها ، اطلاعات بازسازي شده بعنوان ورودي به نرم‌افزار SPIGenerator وارد و مقاير SPI سريهاي زماني 1، 3، 6، 9، 12، 24 و 48 ماه براي ايستگاه‌هاي منتخب حاصل گرديد.
يافتهها: در اين مقاله نتايج حاصل ازمحاسبه شاخص SPI در سريهاي زماني مختلف بر اساس متوسط داده‌هاي ايستگاه‌هاي موجود وداده‌هاي سنجش ازدور مورد بررسي و تجزيه و تحليل قرارگرفت. بدين منظور مقاديرحاصل ازتمامي شاخصهاي مبتني برتصاوير ماهوارهاي شامل (VCI ، VHI، TCI)استخراج واقدام به مقايسه وبررسي ضريب همبستگي آنها باشاخص زمينيSPI در سريهاي زماني‌هاي زماني 1، 3، 6، 9، 12، 24 و 48 گرديد به عبارت ديگر پاسخ شرايط پوشش گياهي منطقه به بارندگي با زمان‌هاي تاخير يک، سه، شش، نه، دوازده، بيست و چهار و چهل و هشت ماهه مورد بررسي قرارگرفت. نتايج اين تحقيق نشان داده که شاخص VCI همبستگي معنيداري در سطح يک درصد با شاخص SPI درهمه سريهاي زماني مختلف بجز يک ماهه دارد. شاخص TCI همبستگي معنيدار با هيچ يک از سريهاي زماني بجز يک ماهه ندارد. شاخص VHI بجز با يک ماهه و سه ماهه و بيست و چهار ماهه همبستگي معنيدار در سطح يک درصد با ساير سريهاي زماني دارد. همچنين شاخصهاي خشکسالي TCI و VHI و VCI با بارش و رطوبت خاک همبستگي مثبت معنيداري در سطح يک درصد دارد.
نتايج: نتايج کلي از تجزيه و تحليل داده‌هاي موجود نشان داد که از بين شاخصهاي مورد مطالعه، شاخص VCI در طي فصل رشد بيشترين همبستگي با مقادير SPI در سريهاي زماني مختلف را داراست و همبستگي آن در سطح 01/0 معنيدار است، لذا به عنوان شاخص ماهوارهاي مطلوب جهت پايش خشکسالي کشاورزي در جنوب استان کرمان انتخاب ميگردد. نتايج اين مقاله مبنايي براي درک کامل و بهتر و همچنين ارزيابي شرايط خشکسالي در جنوب استان کرمان را فراهم مي‌کند و مي‌تواند به بهتر مديريت کردن و تأمين منابع آب شرب وکشاورزي و در نتيجه توليدات کشاورزي بيشتر و بهينه‌تر و حفاظت درست از محيط زيست را به سمت کامل‌تر و بهتري هدايت کند.
Background and objectives: Drought is one of the natural phenomena caused by the decrease in rainfall and reduces vegetation and increases dust. The common method of drought monitoring is based on observational data from meteorological stations and calculates a drought index. Knowing the amount and intensity of drought in a region and planning to reduce its effects is one of the most important principles of management in regional planning fight against drought. Monitoring and management of drought is a region using remote sensing data and satellite images as a suitable tool in the temporal and spatial monitoring of agricultural drought has always been of interest to regional managers.
Materials and methods: This study investigates the efficacy of remote sensing data and satellite images in delineating agricultural drought zones in the southern watershed of Kerman Province from 2001 to 2022. For the purpose, three indices, including the Vegetation Cover Index(VCI),Temperature Condition Index (TCI), and Vegetation Health Index (VHI), were extract from MODIS satellite images, and TerraClimate extracts data for growing season months based on remote sensing of vegetation cover from early March to late August (2001-2022), and the resulting indicators are compared with standard precipitation index (SPI) values. It was compared in one, three, six, nine-, twelve-, twenty-four-, and forty-eight-month time series. In this study, the correlation method between stations was employed to reconstruct the incomplete station data, and the stations with the highest correlation with the incomplete station were utilized for reconstruction. After organizing the data, the reconstructed information was entered into the SPIGenerator software as input, and the SPI indices for 1, 3, 6, 9, 12, 24, and 48 months were generated for the selected stations.
Results: In this article, the results of calculating the SPI index in various time series based on the average data from existing stations and remote sensing data were analyzed. To this end, the values obtained from all satellite-based indices, including VCI, VHI, and TCI, were extracted and compared with the ground-based SPI index in 1, 3, 6, 9, 12, 24, and 48- month time series. In other words, the response of vegetation cover in the region to rainfall with 1, 3, 6, 9, 12, 24, and 48- month time legs was investigated. The result of this study shows that the VCI index has a significant correlation at a 1% level with the SPI index in all time series except for the 1-month series. The TCI index has a significant correlation with none of the time series except for the 1-month series. The VHI index has a significant correlation at a 1% level with all time series except for the 1-month,3-month, and 24-month series. Additionally, the drought indices TCI, VHI, and VCI have a positive significant correlation at a 1% level with rainfall and soil moisture.
Conclusion: The overall results of the analysis of the available data showed that among the studies indices, the VCI index has the highest correlation with SPI values in different time series during the growing season, with a significant correlation at the 0.01 level. Therefore, it is selected as the preferred satellite index for monitoring agricultural drought in southern Kerman Province. The results of this study provide a basis for a better understating and evaluation of drought conditions in southern Kerman Province, and can guide optimized management and provision of drinking water and agricultural resources, leading to increased and optimized agricultural production, and ultimately, proper environmental protection.
Jahangir, M., Mashidi, Z. (2019). Evaluation of agricultural drought monitoring based on remote sensing using standardized rainfall index in growing months (case study: Karun Bozor watershed), Iran Irrigation and Drainage Journal, Volume 14, Number 4.[In Persian].
Darvishi, Y., Fadaian, M., Sarli,R. (2019). Climate change assessment focusing on the risk of drought using spatial technology to manage underground water resources (case study: Karun River's protected area), Climate Change Research Journal, series 1. 15–31.[In Persian].
Nawabi., (1401). Evaluation of indicators based on remote sensing in drought monitoring of Niriz city, Remote Sensing and Geographical Information System in Natural Resources, 13(4), 131-147.[In Persian].
Hakimeh Industrial Technology, (2018). Identification of dust centers in the south of Kerman province using satellite products, management of dry and desert areas, Isfahan University of Technology. [In Persian].
Farahani, Z. (2014). Temporal and spatial monitoring of drought using remote sensing data (case study of Central Province of Iran), M.A. thesis of Malayer University. [In Persian].
Moradi, (1402). Drought monitoring in the area of Iran based on the DSI drought severity index in Google Earth Engine, master's thesis in watershed management, Hormozgan University.[In Persian].
Nawabi, N,. Moghdisi, M,. Ganji Khorram, N. (1400). Evaluation of agricultural drought monitoring using different indicators based on ground data and remote sensing, case study: Lake Urmia watershed, Watershed Engineering and Management Quarterly, Volume 13, Number1.[In Persian].
Amalo, L, F,.Rahmat, H,. Haris, (2017). Comparison between remote-sensing-based drought, IOP Conference Series: Earth and Environmental Science, Volume 54, The 3rd International Symposium on LAPAN-IPB Satellite For Food Security and Environmental Monitoring 2016 25–26 October 2016, Bogor, IndonesiaCitation Luisa Febrina Amalo et al 2017 IOP Conf. Ser.: Earth Environ. Sci. 54 012009
Bhuiyan, C., Singh, R.P., Kogan, F.N. (2006). Monitoring drought dynamics in the Aravalli region (India) using different indices based on ground and remote sensing data. International Journal of Applied Earth Observation and Geoinformation, 8, 289–302.
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].
Kogan, F.N. (2001). Operational space technology for global vegetation assessment. Bull. Am. Meteorol, 82, 9.1949–1964.
McKee, T.B., Doesken, N.J., Kleist, J., (1993), the Relationship of Drought Frequency and Duration to Time Scales, In Proc, 8th Conf, January 11-22 Climatology, American Meteorological Society, Massachusetts, 116-184.
Rouse, J. W., Haas, Jr. R., Schell, H. J. A., Deering, D.W. (1973). Monitoring vegetation systems in the Great Plains with ERTS. Third ERTS Symposium, NASA, 309-317.
Solaimani K, Darvishi Sh, Shokrian F. (2019). Analysis Of Agricultural Drought Using Remote Sensing Indices (Case Study: Marivan City). journal of RS and GIS for Natural Resources (Journal of Applied RS and GIS Techniques in Natural Resource Science), 10(2):15- 33. [In Persian].
Unganai, S. and F. Kogan. (1998). Drought Monitoring and Corn Yield Estimation in Southern Africa from AVHRR Data. Remote Sensing of Environment, 63, 219-232.
Zhao X, Xia H, Pan L, Song H, Niu W, Wang R, Li R, Bian X, Guo Y, Qin Y, (2021). Drought Monitoring over Yellow River Basin from 2003–2019 Using Reconstructed MODIS Land Surface Temperature in Google Earth Engine. Remote Sensing. 13(18):37-48.
