تحقیقات کاربردی علوم جغرافیایی

تحقیقات کاربردی علوم جغرافیایی

ارائه یک روش نوین برای ارزیابی و پایش جامع خشکسالی حوضه آبریز دریاچه ارومیه با استفاده از شاخص تلفیقی خشکسالی SDI

نویسندگان
زهرا عبادی نهاری 1
مهدی عرفانیان 2
سیما کاظم پور چورسی 3
1 دانش آموخته کارشناسی ارشد آبخیزداری، دانشکده منابع طبیعی، دانشگاه ارومیه، ارومیه، ایران
2 دانشیار مهندسی آبخیزداری، دانشکده منابع طبیعی، دانشگاه ارومیه، ارومیه، ایران
3 دانشجو دکتری علوم و مهندسی آبخیزداری، دانشکده منابع طبیعی، دانشگاه ارومیه، ارومیه، ایران
10.52547/jgs.23.68.243
چکیده
خشکسالی یک رویداد پیچیده است که در اثر به هم خوردن تعادل آب ایجاد شده و همواره بر بخش­های کشاورزی، اکولوژیکی و اجتماعی-اقتصادی تأثیر­گذار می­ باشد. اگرچه تا کنون، شاخص­ های خشکسالی به دست آمده از داده­ های سنجش از دور برای پایش خشکسالی کشاورزی یا هواشناسی مورد استفاده قرار گرفته­ اند، ولی شاخصی که بتواند به طور مناسبی بازتاب کننده اطلاعات جامع از خشکسالی از جنبه هواشناسی تا کشاورزی باشد، کمتر مورد استفاده قرار گرفته است. در تحقیق حاضر، به­ منظور پایش جامع خشکسالی حوضه آبریز دریاچه ارومیه از شاخص خشکسالی تلفیقی (SDI) به­ عنوان شاخص سنتز شده از شاخص وضعیت پوشش گیاهی (VCI)، شاخص وضعیت دمایی (TCI) و شاخص وضعیت بارش (PCI) بر اساس روش آنالیز مؤلفه اصلی (PCA) استفاده شده است. بدین منظور، ابتدا سری داده ­های ماهواره ­ای MOD13A3، MOD11A2 و TRMM3B43 طی دوره­ ی آماری 2001 تا 2012 دانلود شد. پس از پردازش اولیه، شاخص ­های خشکسالی با استفاده از داده ­های LST، NDVI و TRMM محاسبه و نقشه­ های شدت خشکسالی ماهانه تهیه شدند. به منظور اعتبارسنجی شاخص SDI، رابطه همبستگی این شاخص با شاخص SPI در بازه­ زمانی 3 ماهه طی فصل رشد بدست آمد. همچنین روابط همبستگی SDI با میزان عملکرد دیم دو گیاه گندم و جو بررسی شد. نتایج حاکی از وقوع خشکسالی در سال­ های 2008 و 2001 در حوضه آبریز دریاچه ارومیه می­ باشد. نتایج بررسی اعتبارسنجی بیانگر وجود همبستگی 80% میان دو شاخص SDI و SPI می­ باشد. همچنین نتایج این تحقیق نشان داد که شاخص SDI، به ­عنوان شاخص جامع پایش خشکسالی، بازتاب کننده اثرات خشکسالی بر کشاورزی می ­باشد.
کلیدواژه‌ها
پایش خشکسالی
MODIS
تحلیل مولفه‌های اصلی
SDI
TRMM

عنوان مقاله English

A new method for evaluation and comprehensive drought Monitoring in the Urmia Lake Basin using a Synthesized Drought Index (SDI)

نویسندگان English

Zahra Ebadi Nehari 1
Mahdi Erfanian 2
Sima Kazempour Choursi 3
1 Masters Degree in Watershed Management, Faculty of Natural Resources, Urmia University, Urmia, Iran
2 Associate Professor, Watershed Management Engineering, Faculty of Natural Resources, Urmia University, Urmia, Iran
3 Watershed Science and Engineering Student, Faculty of Natural Resources, Urmia University, Urmia, Iran
چکیده English

Drought is a complex phenomenon caused by the breaking of water balance and it has always an impact on agricultural, ecological and socio-economic spheres. Although the drought indices deriving from remote sensing data have been used to monitor meteorological or agricultural drought, there are no indices that can suitably reflect the comprehensive information of drought from meteorological to agricultural aspects. In this study, the synthesized drought index (SDI) as a synthesized index from the vegetation condition index (VCI), temperature condition index (TCI) and precipitation condition index (PCI) were used for comprehensive drought monitoring in the Urmia Lake Basin (ULB) based on the Principal Component Analysis (PCA). For this purpose, MOD13A3, MOD11A2 and TRMM 3B43 data series were downloaded y for the period of 2001–2012. After initial processing, drought indicators were calculated using LST NDVI and TRMM data, and monthly drought severity maps were prepared. In order to validate SDI index, the Correlation relationship between SDI and SPI indices was obtained in the 3 month period during the growing season. As well as, SDI correlation relationships were investigated with wheat and barley crop yields. The results indicate that drought occurred in 2008 and 2001 in the ULB. The results of validation show that there is a correlation of 80% between the two SDI and SPI indicators. Also, the results of this study showed that the SDI index, as a comprehensive index of drought monitoring, reflects the effects of drought on agriculture.

کلیدواژه‌ها English

Drought monitoring
MODIS
principal component analysis
SDI
TRMM
Bhuiyan, C. (2008). Desert Vegetarian during Droughts: Response and Sensitivity, the International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 37(8): 907-912.
Chaves, M.M, Pereira, J.S, Maroco, J, Rodrigues, M.L, Ricardo, C.P.P, Osório, M.L, Carvalho, I, Faria, T, Pinheiro, C. (2002). How Plants Cope with Water Stress in the Field? Photosynthesis and Growth, Annals of botany, 89(7): 907-916.
Elhag, K, Zhang, W. (2018). Monitoring and Assessment of Drought Focused on Its Impact on Sorghum Yield over Sudan by Using Meteorological Drought Indices for the Period 2001–2011, Remote Sensing, 10(8), 1231.
Heim, 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.
Du, L, Tian, Q, Yu, T, Meng, Q, Jancso, T, Udvardy, P, Huang, Y. (2012). A Comprehensive Drought Monitoring Method Integrating MODIS and TRMM Data, International Journal of Applied Earth Observation and Geoinformation, 23: 245-253.
Keyantash, J, Dracup, J. A. (2002). The Quantification of Drought: An Evaluation of Drought Indices, Bulletin of the American Meteorological Society, 83(8): 1167-1180.
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), 2017 IEEE International (pp. 4862-4865). IEEE
Kogan, F.N, (1995). Application of Vegetation Index and Brightness Temperature for Drought Detection, Advances in Space Research, 15(11): 91–100.
Mastrangelo, A.M, Mazzucotelli, E, Guerra, D, De Vita, P, Cattivelli, L. (2012). Improvement of Drought Resistance in Crops: From Conventional Breeding to Genomic Selection, Crop Stress and Its Management: Perspectives and Strategies. Springer, 225–259.
Rhee, J., Im, J., Carbone, G.J. (2010). Monitoring agricultural drought for arid and humid regions using multisensor remote sensing data, Remote Sensing of Environment, (114): 2875–2887.
Torry, W.I. (1986). Economic Development, Drought, and Famines: Some Limitations of Dependency Explanations, GeoJournal 12(1), 5–18.
Tsakiris, G, Pangalou, D, Vangelis, H. (2007). Regional Drought Assessment Based on the Reconnaissance Drought Index (RDI), Water Resource. Manage. 21(5), 821–833.
Udelhoven, T, Stellmes, M, Del Barrio, G, Hill, J. (2009). Assessment of Rainfall and NDVI Anomalies in Spain (1989–1999) Using Distributed Lag Models, International Journal of Remote Sensing, 30(8): 1961–1976.
Yaduvanshi, A, Srivastava, P. K, Pandey, A. C. (2015). Integrating TRMM and MODIS Satellite with Socio-economic Vulnerability for Monitoring Drought Risk over a Tropical Region of India, Physics and Chemistry of the Earth, Parts A/B/C, 83: 14-27.