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

سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی

مقاله 7، دوره 13، شماره 4 - شماره پیاپی 49، آبان 1401، صفحه 131-147   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.30495/girs.2022.690925

نویسنده

محمد شعبانی^*

استادیار گروه مهندسی آب، واحد مرودشت، دانشگاه آزاد اسلامی، مرودشت، ایران

چکیده

پیشینه و هدف اطلاع از میزان و شدت خشکسالی در یک منطقه و برنامه­ ریزی جهت کاهش اثرات آن یکی از مهم­ترین 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 نی­ریز است. برای این منظور سه شاخص وضعیت پوشش گیاهی (VCI)، شاخص وضعیت دمایی (TCI) و شاخص سلامت پوشش گیاهی (VHI) از روی تصاویر ماهواره­ای 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 نی­ریز  واقع در جنوب شرق استان فارس با وسعت 10787 کیلومتر مربع و جزء یکی از زیرحوزه‌های آبخیز دریاچه بختگان محسوب می­گردد. متوسط ارتفاع منطقه 1798 متر، حداکثر ارتفاع منطقه 3235 متر و حداقل ارتفاع 1476 متر از سطح دریا می­باشد. 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 نی­ریز 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 مناسب­ترین 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 آن­ها 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 مطلوب­تر 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 مهم­ترین 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 خسارت­های 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 می­گردد. 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 فن­آوری 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.

کلیدواژه‌ها

خشکسالی؛ سنجش از دور؛ شاخص بارش استاندارد؛ نی ریز

مراجع

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.