ارزیابی شاخص های مبتنی بر سنجش از دور در پایش خشکسالی شهرستان نی ریز

محورهای موضوعی : کشاورزی، مرتع داری، آبخیزداری و جنگلداری

محمد شعبانی ¹ ( استادیار گروه مهندسی آب، واحد مرودشت، دانشگاه آزاد اسلامی، مرودشت، ایران )

تاریخ دریافت : 1400/11/10 تاریخ پذیرش : 1401/02/12 تاریخ انتشار : 1401/08/01

کلید واژه: شاخص بارش استاندارد, خشکسالی, سنجش از دور, نی ریز,

چکیده مقاله :

پیشینه و هدف اطلاع از میزان و شدت خشکسالی در یک منطقه و برنامه ریزی جهت کاهش اثرات آن یکی از مهم ترین اصول مبارزه با خشکسالی است. پایش و مدیریت خشکسالی در یک منطقه با استفاده از داده های سنجش از دور و تصاویر ماهواره ای به عنوان یک ابزار مناسب در پایش زمانی و مکانی خشکسالی کشاورزی می باشد. هدف از انجام این پژوهش بررسی کارآیی داده های سنجش از دور و تصاویر ماهواره ای در پهنه بندی خشکسالی کشاورزی در سال‌های 1379 تا 1400 در شهرستان نی ریز است. برای این منظور سه شاخص وضعیت پوشش گیاهی (VCI)، شاخص وضعیت دمایی (TCI) و شاخص سلامت پوشش گیاهی (VHI) از روی تصاویر ماهواره ای مودیس برای برای دوره زمانی مورد نظر استخراج و نتایج حاصل از این شاخص ها با مقادیر شاخص بارش استاندارد (SPI)، در دوره های زمانی 1، 3 6، 9، 12، 18، 24 و 48 ماهه مقایسه گردید.مواد و روش ها منطقه مورد مطالعه در این تحقیق شهرستان نی ریز واقع در جنوب شرق استان فارس با وسعت 10787 کیلومتر مربع و جزء یکی از زیرحوزه‌های آبخیز دریاچه بختگان محسوب می گردد. متوسط ارتفاع منطقه 1798 متر، حداکثر ارتفاع منطقه 3235 متر و حداقل ارتفاع 1476 متر از سطح دریا می باشد. متوسط بارندگی، درجه حرارت و تبخیر و تعرق سالانه حوزه به ترتیب 204.8 میلی‌متر، 19 درجه سانتی‌گراد و 1058.3 میلی‌متر می‌باشد. در این تحقیق از داده های بارندگی ایستگاه سینوپتیک نی ریز در طول دوره آماری 22 ساله (1400-1379) برای محاسبه شاخص بارش استاندارد (Standardized Precipitation Index, SPI) در دوره های زمانی 1، 3، 6، 9، 12، 18، 24 و 48 ماهه استفاده شد. سپس 3 شاخص مبتنی بر تصاویر ماهواره ای شامل شاخص وضعیت پوشش گیاهی (Vegetation Condition Index, VCI)، شاخص وضعیت دمایی (Temperature Condition Index, TCI) و شاخص سلامت گیاه (Vegetation, VHI Healthy Index) از روی داده های سنجده مودیس برای ماه اردیبهشت ماه از سال 2008 تا 2021 استخراج و با مقادیر شاخص بارش استاندارد (SPI) در دوره های زمانی 1، 3 6، 9، 12، 18، 24 و 48 ماهه بر اساس ضریب همبستگی پیرسون مقایسه گردید. در نهایت مناسب ترین شاخص خشکسالی مبتنی بر تصاویر ماهواره ای از بین شاخص ها انتخاب و درصد طبقات خشکسالی بر اساس شاخص منتخب در منطقه مورد مطالعه مشخص شد.نتایج و بحث محاسبه مقادیر شاخص SPI با استفاده از نرم افزار شاخص های خشکسالی (Drought Indices Package, DIP) در دوره های زمانی 1، 3، 6، 9، 12، 18، 24 و 48 ماهه در دوره آماری 1400-1379 نشان داد که روند منحنی ها در بعضی سال ها کاهشی و در بعضی سال ها افزایشی و در اغلب سال ها تقریباً نرمال بوده است. بطور میانگین درصد وقوع خشکسالی ها و ترسالی ها بر اساس شاخص SPI در دوره های زمانی مختلف در طول دوره آماری 68 درصد در شرایط نرمال، 18 درصد در شرایط ترسالی و 16 درصد در شرایط خشکسالی قرار دارد. نتایج حاصل از محاسبه شاخص SPI در دوره های زمانی مختلف بر اساس داده های ایستگاه های سینوپتیک و داده های سنجش از دور مورد بررسی و تجزیه و تحلیل قرار گرفت. بدین منظور مقادیر حاصل از تمامی شاخص های مبتنی بر تصاویر ماهواره ای شامل VCI، TCI و VHI استخراج و اقدام به مقایسه و بررسی ضریب همبستگی آن ها با شاخص زمینی SPI در دوره های زمانی 1، 3، 6، 9، 12، 18، 24 و 48 گردید. مقادیر شاخص VCI در سال 1387 دارای کمترین مقدار (1/32 درصد) و در سال 1399 دارای بیشترین مقدار (41.3 درصد) در طول اردیبهشت ماه می باشد. بنابراین بر اساس مقدار شاخص VCI در طول دوره آماری در سال 1387 شرایط خشکسالی شدید در منطقه حاکم بوده و در سال 1399 پوشش گیاهی مطلوب تر و شرایط ترسالی بر منطقه حاکم بوده است. نتایج به دست آمده از شاخص SPI در دوره های زمانی مختلف نیز موید این نکته است که شدیدترین خشکسالی و ترسالی در طول دوره آماری مورد مطالعه به ترتیب در دو سال 1387 و 1399 در منطقه رخ داده است. علاوه بر این شاخص VCI بیشترین همبستگی با شاخص SPI در دوره های زمانی مختلف دارد و با همه دوره های زمانی SPI رابطه معنی داری دارد. شاخص TCI همبستگی معنی دار با هیچ یک از دوره های زمانی ندارد و رابطه همبستگی ضعیفی با شاخص SPI در دوره های زمانی مختلف دارد. علاوه بر این شاخص VHI تنها با دوره های زمانی یک، سه، شش و دوازده ماهه همبستگی معنی دار در سطح پنج درصد دارد و میزان همبستگی آن با شاخص SPI در دوره های زمانی مختلف به مراتب کمتر از شاخص VCI است. توزیع مکانی شدت خشکسالی براساس مقادیر شاخص های مورد مطالعه در اردیبهشت ماه 1387 نشان داد که قسمت های شرقی منطقه که در ارتفاعات پایین نیز قرار دارد بیشتر تحت تاثیر خشکسالی قرار گرفته است. بررسی مساحت تحت تاثیر طبقات خشکسالی بر اساس شاخص TCI در سال 1387 نشان داد که در منطقه مورد مطالعه خشکسالی بسیار شدید و شدید وجود ندارد، 11درصد منطقه دچار خشکسالی متوسط، 22 درصد سطح دچار خشکسالی خفیف و 67 درصد نیز فاقد خشکسالی می باشد. بر اساس شاخص VCI در تاریخ مورد نظرسطح خشکسالی بسیار شدید 0.14 درصد، شدید 0.33 درصد، متوسط 17 درصد، خفیف 77 درصد و فاقد خشکسالی 6 درصد است. همچنین بر اساس شاخص VHI خشکسالی بسیار شدید و شدید و خفیف در منطقه مورد مطالعه وجود ندارد و فقط 9 درصد سطح منطقه دچار خشکسالی متوسط و 91 درصد نیز فاقد خشکسالی می باشد. توزیع مکانی شدت خشکسالی بر اساس مقادیر شاخص های مورد مطالعه در اردیبهشت ماه 1399 نشان می دهد که در منطقه مورد مطالعه بر اساس شاخص TCI در تاریخ مورد نظر خشکسالی بسیار شدید و شدید وجود ندارد و 5 درصد سطح منطقه دارای خشکسالی متوسط، 22 درصد خشکسالی خفیف و 73 درصد نیز فاقد خشکسالی می باشد. بر اساس شاخص VCI در تاریخ مورد نظر درصد خشکسالی بسیار شدید 0.5 درصد، شدید 0.8 درصد، متوسط 5 درصد، خفیف 31 درصد و فاقد خشکسالی 62 درصد است. همچنین بر اساس شاخص VHI در اردیبهشت ماه 99 مقدار 0.2 درصد سطح منطقه دارای خشکسالی متوسط، 30 درصد دارای خشکسالی خفیف و 69 درصد نیز فاقد خشکسالی است بر اساس این شاخص خشکسالی بسیار شدید و شدید در منطقه وجود ندارد.نتیجه گیری پدیده خشکسالی یکی از مهم ترین بلایای طبیعی است که هرساله میلیون ها نفر از جمعیت جهان و قسمت های عظیمی از آن را مورد حمله خود قرار می دهد. این پدیده که به صورت آرام شروع و ماهیتی خزنده دارد می تواند باعث ایجاد خسارت های فراوان در بخش های کشاورزی و منابع طبیعی و محیط زیست گردد. اطلاع از نحوه وقوع و تهیه نقشه های شدت خشکسالی بر اساس روش های نوین و جدید تاثیر بسیار مثبت و جدی در مدیریت خشکسالی در یک منطقه دارد. یکی از روش های جدید و پرکاربرد در پایش زمانی و مکانی خشکسالی استفاده از شاخص های خشکسالی مبتنی بر تصاویر ماهواره ای است که اخیرا نیز در مباحث مربوط به خشکسالی از آن استفاده می شود. نتایج حاصل از تحلیل شاخص SPI نشان داد که در اکثر دوره های زمانی شدیدترین خشکسالی و ترسالی در طول دوره مورد مطالعه به ترتیب در سال های 1387 و 1399 رخ داده است. همچنین نتایج نشان داد که شاخص TCI همبستگی معنی دار با هیچ یک از دوره های زمانی ندارد و همبستگی ضعیفی با شاخص SPI در دوره های زمانی مختلف دارد. شاخص VHI با دوره های زمانی یک، سه، شش و دوازده ماهه همبستگی معنی دار در سطح پنج درصد دارد و همبستگی آن با شاخص SPI در دوره های زمانی مختلف کمتر از شاخص VCI است. مقدار شاخص VCI در سال 1387 دارای کمترین مقدار (32.1 درصد) و در سال 1399 دارای بیشترین مقدار (41.3 درصد) در طول ماه اردیبهشت بوده است که با نتایج به دست آمده از شاخص SPI در منطقه مطابقت دارد. از طرفی این شاخص بیشترین همبستگی با شاخص SPI در دوره های زمانی مختلف دارد که همبستگی آن در سطح یک درصد معنی دار است و به عنوان شاخص ماهواره ای مناسب جهت پایش زمانی و مکانی خشکسالی در شهرستان نی ریز انتخاب می گردد. مقایسه نتایج حاصل از این تحقیق با نتایج تحقیقات دیگر محققان، نشان از دقت بسیار خوب شاخص های سنجش از دور در پایش خشکسالی دارد. بنابراین استفاده از فن آوری سنجش از دور در پایش خشکسالی در مناطقی که فاقد ایستگاه های هواشناسی یا دارای ایستگاه های هواشناسی با تراکم کم یا به صورت پراکنده هستند پیشنهاد می گردد.

چکیده انگلیسی:

Background and Objective Knowing the extent and severity of drought in a region and planning to reduce its effects is one of the most important principles of management in regional planning to combat drought. Drought monitoring and management in an area using remote sensing data and satellite imagery as a suitable tool in temporal and spatial monitoring of agricultural drought has always been the focus of regional managers. The purpose of this study is to investigate the efficiency of remote sensing data and satellite images in the zoning of agricultural drought in the years 2000 to 2021 in Neyriz city. For this purpose, three vegetation condition index (VCI), temperature condition index (TCI), and vegetation health index (VHI) were extracted from MODIS satellite images for the desired time period. The results of these indices were compared with the values of the standard precipitation index (SPI) in time series of 1, 3, 6, 9, 12, 18, 24, and 48 months.Materials and Methods The study area in this study is Neyriz city located in the southeast of Fars province with an area of 10787 Km2 and is part of one of the watersheds of Bakhtegan Lake. The average altitude of the region is 1798 meters, the maximum altitude of the region is 3235 meters and the minimum altitude is 1476 meters above sea level. The average annual rainfall, temperature, and evapotranspiration of the basin are 204.8 mm, 19 °C, and 1058.3 mm, respectively. In this study, the rainfall data of Neyriz synoptic station during the statistical period of 22 years (2000-2021) were used to calculate the SPI index in time series of 1, 3, 6, 9, 12, 18, 24, and 48 months. Then, 3 indices based on satellite imagery including vegetation condition (VCI), temperature condition index (TCI), and plant health index (VHI) were extracted from Modis measured data for May month from 2008 to 2021 and with standard precipitation index (SPI) were compared in time series of 1, 3, 6, 9, 12, 18, 24 and 48 months based on the correlation coefficient. Finally, the most appropriate drought index based on satellite images was selected from the indices and the percentage of drought classes was determined based on the selected index in the study area.Results and Discussion The results of calculating the values of the SPI index using DIP software in time series of 1, 3, 6, 9, 12, 18, 24, and 48 months in the statistical period of 2000-2021 showed that the trend of curves in some years is decreasing, in some years it has been increasing and in most years it has been almost normal. On average, the incidence of droughts and wetlands according to the SPI index in different time series during the statistical period is 68% in normal conditions, 18% in wet conditions, and 16% in drought conditions. The results of calculating the SPI index in different ground series were analyzed based on data from synoptic stations and remote sensing data. For this purpose, the values obtained from all indices based on satellite images including VCI, TCI, and VHI are extracted and compared and their correlation coefficient with the ground SPI index in time series 1, 3, 6, 9, 12, 18, 24, and 48 became. VCI index values in 2000 have the lowest value (32.1%) and in 2020 have the highest value (41.3%) during May. Therefore, based on the value of the VCI index during the statistical period in 2008, severe drought conditions prevailed in the region, and in 2020, more favorable vegetation and wetting conditions prevailed in the region. The results obtained from the SPI index in different time series also confirm the fact that the most severe drought and wet season during the statistical period studied in the two years 2000 and 2020, respectively, in the region. In addition, the VCI index is most correlated with the SPI index in different series and the SPI relationship is significant with the all-time series. TCI index has no significant correlation with any of the time series and has a weak correlation with the SPI index in different time series. In addition, the VHI index has a significant correlation with time series of one, three, six, and twelve months only at the level of 5% and its correlation with the SPI index in different time series is much less than the VCI index. Spatial distribution of drought intensity based on the values of the studied indices in May 2008 showed that the eastern parts of the region, which is also located at low altitudes, have been more affected by drought. The study of the area affected by drought classes based on the TCI index in 2008 showed that there is no very severe drought in the study area, 11% of the area suffers from moderate drought, 22% of the area suffers from mild drought and 67% has no drought. According to the VCI index, the level of severe drought on the date is 0.14%, severe at 0.33%, moderate at 17%, mild at 77%, and no drought at 6%. Also, according to the VHI index, there is no severe or severe drought in the study area only 9% of the area suffers from moderate drought and 91% does not have a drought. Spatial distribution of drought severity based on the values of the studied indices in May 2020 shows that in the study area according to the TCI index there is no very severe drought on the target date and 5% of the area has moderate drought, 22% drought Mild and 73% lack drought. According to the VCI index on the target date, the percentage of drought is very severe 0.5%, severe 0.8%, moderate 5%, mild 31%, and no drought 62%. Also, according to the VHI index in May 1999, 0.2% of the area has a moderate drought, 30% has a mild drought and 69% has no drought. According to this index, there is no very severe drought in the region.Conclusion Drought is one of the most important natural disasters that affect millions of people and large parts of the world every year. This phenomenon, which starts slowly and has a creeping nature, can cause a lot of damage to agriculture, natural resources, and the environment. Knowing how to occur and preparing drought severity maps based on new methods has a very positive and serious impact on drought management in an area. One of the new and widely used methods in temporal and spatial monitoring of drought is the use of drought indices based on satellite images, which has recently been used in drought-related topics. The results of the SPI index analysis showed that in most time series, the most severe drought and wet season during the study period occurred in 2000 and 2020, respectively. The results also showed that the temperature condition index (TCI) has no significant correlation with any of the time series and has a weak correlation with the SPI index in different time series. The plant health index (VHI) with time series of one, three, six, and twelve months has a significant correlation at the level of 5% and its correlation with the SPI index in different time series is less than the vegetation condition index (VCI). The value of the VCI index in 2008 had the lowest value (32.1%) and in 2020 had the highest value (41.3%) during May, which is consistent with the results obtained from the SPI index in the region. A comparison of the results of this study with the results of other researchers shows the excellent accuracy of remote sensing indices in drought monitoring. Therefore, the use of remote sensing technology in drought monitoring in areas that do not have meteorological stations or have meteorological stations with low density or scattered is recommended.

منابع و مأخذ:

Arabi Z, Mohammadi Sh. 2022. Monitoring Spatio-temporal pattern of drought using multi-satellite data during the period 2000 - 2018 (Case study: Iran). Journal of Natural Environmental Hazards, 10(30): 82-104. .(In Persian).

Asadi Meyabadi A, Akhzari D. 2022. Zoning of Drought by Integrating Satellite Imagery and Ground–Based Climate Data (Case study: Malayer Plain). Journal of Environmental Science and Technology, 23(4): 86-96.

Askarizadeh D, Arzani H , Jafary M, Bazrafshan J . 2018. Surveying of the past, present, and future of vegetation changes in the central Alborz ranges in relation to climate change. journal of RS and GIS for Natural Resources (Journal of Applied RS and GIS Techniques in Natural Resource Science), 9(3): 1-18. (In Persian).

Bento V A, Célia M G, Carlos C D, Renata L, Isabel F T. 2020. The roles of NDVI and Land Surface Temperature when using the Vegetation Health Index over dry regions, Global and Planetary Change,190:103198.

Bento V A, Gouveia C M, DaCamara C C,Trigo L F. 2018. A climatological assessment of drought impact on vegetation health index, Agricultural and Forest Meteorology, 259: 286-295.

Elhag  K, Zhang W. 2018. Monitoring and Assessment of Drought Focused on Its Impact on orghum Yield over Sudan by Using Meteorological Drought Indices for the Period 2001–2011, Remote Sensing, 10(8):1231 p.

Gidey  E, Dikinya O, Sebego R, Segosebe E, Zenebe A. 2018. Using drought indices to model the statistical relationships between meteorological and agricultural drought in Raya and its environs, Northern Ethiopia. Earth Systems and Environment, 2(2): 265–279.

Guo X, Kapucum N. 2018. Examining the impacts of disaster resettlement from a livelihood perspective: a case study of Qinling Mountains. China, Disasters Journal, 42:(2): 251-274.

  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).

Kazempour Choursi S, Erfanian, Ebadi Nehari Z. 2019. Evaluation of Modis And Trmm Satellite Data For Drought Monitoring In The Urmia Lake Basin. Geography and Environmental Planning, 30(2):17-33. (In Persian).

Kchouk S, Melsen L, Walker D W, Pieter R. 2022. A geography of drought indices: mismatch between indicators of drought and its impacts on water and food securities. Natural Hazards and Earth System Sciences, 22: 323–344.

Kim Y, Lee S B, Yun H, Kim J, Park Y. 2017. A drought analysis method based on modis  satellite imagery and AWS data, In Geoscience and Remote Sensing Symposium (IGARSS), IEEE.

Kukunuri A N, Murugan D, Singh D. 2020. Variance based fusion of VCI and TCI for efficient classification of agriculture drought using MODIS data. Geocarto International,10: 1-22.

Liang L, Qiu S, Yan J, Shi Y, Geng D. 2021.VCI-Based Analysis on Spatiotemporal Variations of Spring Drought in China. International Journal of Environmental Research and Public Health, 18(7967): 1-14.

 Mirahsani M, Salman Mahini A, Soffianian A, Moddares R, Jafari R , Mohammadi J. 2018. Regional Drought Monitoring in Zayandeh-rud Basin Based on Time Series Variations of the SPI and Satellite-Based VCI Indices. Journal of Geography and Environmental Hazards, 6(4):1-22. (In Persian).

Mojaradi B, mirmiri J, Alizadeh H. 2020.  Assessment of Vegetation Condition Index Using Modified Standard Precipitation Index to Monitor and zoning Drought. Journal of Watershed Engineering and Management, 12(3): 725-736. (In Persian).

Navabi N, Moghaddasi M, Gangi N. 2021. Assessment of Agricultural Drought Monitoring Using Various Indices based on Ground-based and Remote Sensing Data (Case Study:Lake Urima Basin). Journal of Watershed Engineering and Management,13(1) 1-12. (In Persian).

Pei F, Wu C, Liu X, Li X, Yang K, Zhou Y, Wang K, Xu L, Xia G. 2018. Monitoring the vegetation activity in China using vegetation health indices. Agricultural and Forest Meteorology. 248: 215-227.

Rolbiecki R, Yücel A, Koci ̨ecka J, Atilgan A, Markovi ́c M, Liberacki D. 2022. Analysis of SPI as a Drought Indicator during the Maize Growing Period in the Çukurova Region (Turkey). Sustainability,14: 3697. 1-29.

Yildirim T, Asik S. 2018. Index-based assessment of agricultural drought using remote sensing in the semi-arid region of Western Turkey. Journal of Agricultural Sciences, 24(4): 510-516.