تغییرات مکانی-زمانی دو شاخص خشکسالی ماهواره‌ای و همبستگی آن‌ها با متغیرهای هیدرواقلیم و گیاهی در گستره ایران

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانش‌آموخته کارشناسی‌ارشد علوم ومهندسی آبخیز، دانشگاه هرمزگان، بندرعباس، ایران

2 استادیار گروه مهندسی منابع طبیعی، دانشگاه هرمزگان، بندرعباس، ایران

3 دانشیار گروه مهندسی منابع طبیعی، دانشگاه هرمزگان، بندرعباس، ایران

10.29252/aridbiom.2024.21468.2008

چکیده

خشکسالی یکی از فراگیرترین و پرهزینه‌ترین بلایای طبیعی است که بشر با آن مواجه است. استفاده از شاخص‌های مبتنی بر سنجش از دور یکی از ابزارهای کارآمد جهت پایش تغییرات مکانی-زمانی خشکسالی در مناطق وسیع دارای تنوع اقلیمی همچون کشور ایران می‌باشد. پژوهش حاضر به منظور ارزیابی مقایسه‌ای نتایج حاصل از پایش ماهانه وضعیت خشکسالی براساس دو شاخص مبتنی بر داده‌های ماهواره‌ای در فصل رشد در بازه زمانی 21 ساله (2021-2001) در گستره ایران است. محاسبه شاخص شدت خشکسالی (DSI) و استخراج شاخص خشکسالی پالمر (PDSI) در بستر گوگل ارث انجین (GEE) انجام گردید. به علاوه، با استفاده از آزمون پیرسون، همبستگی دو متغیره بین مقادیر این دو شاخص‌ شدت خشکسالی با متغیرهای هیدرواقلیمی شامل بارش (محصول ماهواره‌ای CHIRPS)، دما (LST سنجنده مودیس) و رطوبت خاک (محصولات GLDAS) و پوشش گیاهی (NDVI سنجنده مودیس) در هفت پهنه‌ اقلیمی ایران مورد ارزیابی قرار گرفت. توزیع مکانی طبقات مختلف خشکسالی براساس مقادیر DSI و PDSI نشان داد که در سال 2001 (سال خشک) به‌ترتیب حدود 21 درصد و 99 درصد گستره ایران در شرایط خشکسالی و در سال 2020 (سال مرطوب) به‌ترتیب حدود 92 درصد و 73 درصد کشور در شرایط ترسالی قرار داشته است. براساس تغییرات زمانی مقادیر DSI و PDSI به‌ترتیب 25 و 75 درصد ماه‌های فصل رشد در بازه زمانی 21 ساله در گستره ایران، دارای وضعیت خشکسالی خفیف تا بسیار شدید (طبقات D2 تا D5) بوده‌اند. ارزیابی همبستگی‌ دو متغیره به‌تفکیک هفت پهنه اقلیمی کشور نشان داد که بین مقادیر DSI و PDSI در پهنه‌های اقلیمی فراخشک، خشک، نیمه‌خشک شدید و نیمه‌خشک میانه، رابطه مستقیم معنی‌دار وجود دارد و مقادیر DSI با درجه حرارت رابطه معکوس معنی‌دار و با بارش و رطوبت خاک رابطه مستقیم معنی‌دار دارند و همچنین با مقادیر NDVI دارای همبستگی مثبت قوی هستند.

کلیدواژه‌ها

موضوعات


[1]. Abdollahi, S., Bazrafshan, O., & Shekari, M. (2022). Trend Analysis of Drought Characteristics in Iran Using Univariate and Multivariate Idices. Irrigation and Water Engineering12(4), 334-353. doi: 10.22125/iwe.2022.150751 [in Farsi]
[2]. Akimov, L. M. (2013). Space-time patterns of atmospheric droughts in Voronezh oblast during growing period. Arid ecosystems3(2), 65-70. doi: 10.1134/ S2079096113020029
[3]. Ali, S., Basit, A., Ni, J., Manzoor, Khan, F. U., Sajid, M., Umair, M., & Makanda, T. A. (2023). Impact assessment of drought monitoring events and vegetation dynamics based on multi-satellite remote sensing data over Pakistan. Environmental science and pollution research international, 30(5), 12223–12234. doi: 10.1007/s11356-022-22995-w
[4]. Alley, W. M. (1984). The Palmer drought severity index: limitations and assumptions. Journal of Applied Meteorology and Climatology23(7), 1100-1109. doi: 10.1175/1520-0450(1984)023<1100:TPDSIL>2.0.CO;2
[5]. Angearu, C. V., Ontel, I., Boldeanu, G., Mihailescu, D., Nertan, A., Craciunescu, V., ... & Irimescu, A. (2020). Multi-temporal analysis and trends of the drought based on MODIS data in agricultural areas, Romania. Remote Sensing12(23), 3940. doi: 10.3390/rs12233940
[6]. Babaei, F., Vaezi, A., Teheri, M., Zarrinabadi, E., & Eslami, S. F. (2015). Development a regression relationship between rainfed wheat yield and soil properties in a semiarid region, Zanjan Province. Iranian Journal of Soil and Water Research46(4), 715-725. doi: 10.22059/IJSWR.2015.56795 [in Farsi]
[7]. Elhag, K. M., & 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 Sensing10(8), 1231. doi: 10.3390/rs10081231
[8]. Fentaw, A. E., Yimer, A. A., & Zeleke, G. A. (2023). Monitoring spatio-temporal drought dynamics using multiple indices in the dry land of the upper Tekeze Basin, Ethiopia. Environmental Challenges, 13, 100781. doi: 10.1016/j.envc.2023.100781
[9]. Ha, T. V., Uereyen, S., & Kuenzer, C. (2023). Agricultural drought conditions over mainland Southeast Asia: Spatiotemporal characteristics revealed from MODIS-based vegetation time-series. International Journal of Applied Earth Observation and Geoinformation, 121, 103378. doi: 10.1016/j.jag.2023.103378
[10]. Haroon, M. A., Zhang, J., & Yao, F. (2016). Drought monitoring and performance evaluation of MODIS-based drought severity index (DSI) over Pakistan. Natural Hazards84, 1349-1366. doi: 10.1007/s11069-016-2490-y
[11]. Heim Jr, R. R. (2002). A review of twentieth-century drought indices used in the United States. Bulletin of the American Meteorological Society83(8), 1149-1166. doi: 10.1175/1520-0477-83.8.1149
[12]. Hosseini, A. S., Zare, M., & Mokhtari, M. H. (2019). Estimating the potential evapotranspiration (PET) using satellite imagery in arid lands. Environmental Engineering & Management Journal (EEMJ), 18(9), 1995-2008.
[13]. Keyantash, J., & Dracup, J. A. (2002). The quantification of drought: an evaluation of drought indices. Bulletin of the American Meteorological Society83(8), 1167-1180. doi: 10.1175/1520-0477-83.8.1167
[14]. Khan, R., & Gilani, H. (2021). Global drought monitoring with drought severity index (DSI) using Google Earth Engine. Theoretical and Applied Climatology146(1), 411-427. doi: 10.1007/s00704-021-03715-9
[15]. Kheyri, R., Mojarrad, F., Masompour, J., & Farhadi, B. (2021). Evaluation of drought changes in Iran using SPEI and SC-PDSI. The Journal of Spatial Planning25(1), 143-174. doi: 20.1001.1.16059689.1400.25.1.6.1 [in Farsi]
[16]. Melkonyan, A. (2014). Environmental and socio-economic vulnerability of agricultural sector in Armenia. Science of the Total Environment488, 333-342. doi: 10.1016/j.scitotenv.2014.03.126
[17]. Meza, I., Siebert, S., Döll, P., Kusche, J., Herbert, C., Eyshi Rezaei, E., ... & Hagenlocher, M. (2020). Global-scale drought risk assessment for agricultural systems. Natural Hazards and Earth System Sciences20(2), 695-712. doi: 10.5194/nhess-20-695-2020
[18]. Mottaghi, S., Akbari, G. A., Minbashi, M., Allahdadi, I., Zand, E., & Lotfifar, O. (2012). The study of dispersal of english title dominant grass weeds of irrigated wheat fields of Iran and determine the effective environmental factors. Plant Production Technology, 11(2), 13-24. [in Farsi]
[19]. Mu, Q., Zhao, M., Kimball, J. S., McDowell, N. G., & Running, S. W. (2013). A remotely sensed global terrestrial drought severity index. Bulletin of the American Meteorological Society94(1), 83-98. doi: 10.1175/BAMS-D-11-00213.1
[20]. Nafarzadegan, A. R., Ebrahimi-Khusfi, Z., & Kazemi, M. (2021). Spatial characterization of dust emission prone arid regions using feature extraction and predictive algorithms. Applied Geography, 133, 102495. doi: 10.1016/j.apgeog.2021.102495
[21]. Palmer, W. C. (1965). Meteorological drought, Research Paper No. 45: US Weather Bureau. Office of Climatology, US Weather Bureau, Washington DC.
[22]. Selyaninov, G. T. (1928). On agricultural climate valuation. Proc. Agric. Meteor20, 165-177.
[23]. Torabinezhad, N., Zarrin, A., & Dadashi-Roudbari, A. A. (2023). Analysis of Different Types of Droughts and Their Characteristics in Iran Using the Standardized Precipitation Evapotranspiration Index (SPEI). Water and Soil37(3), 473-486. doi: 10.22067/JSW.2023.81322.1257 [in Farsi]
[24]. Wang, K., Li, T., & Wei, J. (2019). Exploring drought conditions in the three river headwaters region from 2002 to 2011 using multiple drought indices. Water11(2), 190. doi: 10.3390/w11020190
[25]. Zandifar, S., Jalili, A., Saieedifar, Z., & Naeimi, M. (2022). Assessing drought and human interface on reducing groundwater reserves. Iranian Journal of Forest and Range Protection Research20(1), 199– 218. doi: 10.22092/ijfrpr.2022.356091.1513 [in Farsi]
[26]. Zargar, A., Sadiq, R., Naser, B., & Khan, F. I. (2011). A review of drought indices. Environmental Reviews19, 333-349. doi: 10.1139/a11-013
[27]. Zhao, X., Xia, H., Pan, L., Song, H., Niu, W., Wang, R., ... & Qin, Y. (2021). Drought monitoring over Yellow River basin from 2003–2019 using reconstructed MODIS land surface temperature in Google Earth Engine. Remote Sensing13(18), 3748. doi: 10.3390/rs13183748