تعیین یک شاخص بهینه چند سنسوره سنجش از دوری به منظور ارتقا فرآیند پایش زمان واقعی خشکسالی در مناطقی با پوشش اراضی ناهمگن

نوع مقاله : پژوهشی

نویسندگان

1 کارشناس ارشد مهندسی سنجش از دور، دانشکدۀ عمران، دانشگاه فردوسی مشهد

2 استادیار، دانشکدۀ عمران، دانشگاه فردوسی مشهد

3 استادیار، دانشکدۀ ژئوماتیک، دانشگاه خواجه نصیر‌الدین طوسی

چکیده

در مقالۀ حاضر شاخص ترکیبی بهبود‌یافتۀ خشکسالی (OSDI)، برای پایش زمان واقعی این پدیده در مناطقی با پوشش اراضی ناهمگن پیشنهاد می‏‌شود. بارش به‏عنوان یکی از عوامل مهم خشکسالی، توسط اندازه‏گیری ایستگاه‏های زمینی و به‌کمک داده‏های برآورد بارش TRMM در این مطالعه وارد شد. سپس، هر‌یک از سه شاخص نرمال‌شدۀ رطوبت، شامل شاخص‏های تفاضل نرمال‏شدۀ پوشش‏گیاهی (NDVI)، مرئی‌ـ طول موج کوتاه مادون قرمز خشکسالی (VSDI) و ظرفیت آب سطح (SWCI)، به‌صورت جداگانه همراه با دو شاخص وضعیت بارش (PCI) و دمای سطح زمین (LST)، وارد آنالیز مؤلفۀ اصلی (PCA) شدند. مؤلفۀ اصلی به‌دست‌آمده از این آنالیزها با عنوان شاخص‏های ترکیبی خشکسالی SDI1، SDI2 و SDI3 معرفی شد. در ادامه، عملکرد سه شاخص خروجی به‌کمک شاخص هواشناسی بارش استانداردشده SPI)) در مقیاس یک و سه‌ ماهه ارزیابی شدند. نتایج نشان داد نمایۀ به‌دست‌آمده از آنالیز PCA روی شاخص‏های نرمال‌شدۀ VSDI، LST و PCI، بهترین عملکرد را در پایش زمان واقعی خشکسالی استان‏های تهران و قم، ارائه می‏دهد. شاخص ترکیبی بهینۀ خشکسالی (OSDI) نام‌گذاری شد. سپس، به‌منظور ارزیابی توانایی شاخص پیشنهادی در مناطقی با پوشش ‏ناهمگن، 42 تصویر Landsat7 به‌کار گرفته شدند. سه شاخص نرمال‌شدۀ NDVI، SWCI و VSDI به‌عنوان تنها فاکتور مؤثر در تفاوت عملکرد سه نمایۀ SDI1، SDI2 و OSDI، توسط تصاویر Landsat7 تولید و عملکرد آنها در پوشش‏های اراضی متنوع به‌کمک شاخص SPI ارزیابی شد. ضریب تبیین مناسب میان شاخص نرمال‌شدۀ VSDI و SPI یک‏ماهه، قابلیت شاخص OSDI را در پایش زمان واقعی خشکسالی در مناطق ناهمگن تأیید کرد. نقشه‏های شاخص یادشده نشان دادند در سال‏های 2008 تا 2009 و 2014 در مناطق مرکزی و جنوب شرق استان تهران و مناطق مرکزی و شمالی استان قم، خشکسالی شدیدی رخ داده است.
 
 
 

کلیدواژه‌ها


منابع
[1]- Niazi Y, Talebi A, Mokhtari M.H, Vazifedoust M. Evaluating a new combination of drought index based on remote sensing data (RCDI) within the Central Iran. Iranian Journal of Eco Hydrology. 2017; 3(1):31-43.[Persian]
[2]-Zhang N, Hong Y, Qin Q, Liu L. VSDI: a visible and shortwave infrared drought index for monitoring soil and vegetation moisture based on optical remote sensing. International journal of remote sensing. 2013; 34(13):4585-609.
[3]-Du L, Tian Q, Yu T, Meng Q, Jancso T, Udvardy P, Huang Y. A comprehensive drought monitoring method integrating MODIS and TRMM data. International Journal of Applied Earth Observation and Geoinformation. 2013;23:245-53.
[4]- McKee TB, Doesken NJ, Kleist J. The relationship of drought frequency and duration to time scales. InProceedings of the 8th Conference on Applied Climatology 1993; 17(22): 179-183.
[5]- Jahangir M, Khoshmashraban M, Yousefi H. Monitoring and forcasting drought conditions using standardized precipitation index (SPI) and Artificial Neural Network (Case Study: Tehran and Alborz provinces). Iranian Journal of Eco Hydrology. 2016; 2(4):417-28.[Persian]
[6]- Kogan FN. Global drought watch from space. Bulletin of the American Meteorological Society. 1997;78(4):621-36.
[7]- Hao C, Zhang J, Yao F. Combination of multi-sensor remote sensing data for drought monitoring over Southwest China. International Journal of Applied Earth Observation and Geoinformation. 2015;35:270-83.
 [8]- Tucker CJ. Red and photographic infrared linear combinations for monitoring vegetation. Remote sensing of Environment. 1979;8(2):127-50.
 [9]-Kogan FN. Application of vegetation index and brightness temperature for drought detection. Advances in Space Research. 1995;15(11):91-100.
 [10]-Kogan FN. Droughts of the late 1980s in the United States as derived from NOAA polar-orbiting satellite data. Bulletin of the American Meteorological Society. 1995;76(5):655-68.
 [11]-Huete AR. A soil-adjusted vegetation index (SAVI). Remote sensing of environment. 1988;25(3):295-309.
 [12]-Huete AR, Tucker CJ. Investigation of soil influences in AVHRR red and near-infrared vegetation index imagery. International Journal of Remote Sensing. 1991;12(6):1223-42.
[13]-Ghulam A, Qin Q, Zhan Z. Designing of the perpendicular drought index. Environmental Geology. 2007;52(6):1045-52.
 [14]-Ghulam A, Qin Q, Teyip T, Li ZL. Modified perpendicular drought index (MPDI): a real-time drought monitoring method. ISPRS Journal of Photogrammetry and Remote Sensing. 2007;62(2):150-64.
[15]-Bajgiran PR, Darvishsefat AA, Khalili A, Makhdoum MF. Using AVHRR-based vegetation indices for drought monitoring in the Northwest of Iran. Journal of Arid Environments. 2008;72(6):1086-96.
[16]-Wang J, Rich PM, Price KP. Temporal responses of NDVI to precipitation and temperature in the central Great Plains, USA. International Journal of Remote Sensing. 2003;24(11):2345-64.
[17]-Ghulam A, Li ZL, Qin Q, Yimit H, Wang J. Estimating crop water stress with ETM+ NIR and SWIR data. Agricultural and forest meteorology. 2008;148(11):1679-95.
[18]-Shahabfar A, Ghulam A, Eitzinger J. Drought monitoring in Iran using the perpendicular drought indices. International Journal of Applied Earth Observation and Geoinformation. 2012;18:119-27.
[19]-Bhuiyan C, Singh RP, Kogan FN. 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. 2006;8(4):289-302.
[20]-Jain SK, Keshri R, Goswami A, Sarkar A, Chaudhry A. Identification of drought‐vulnerable areas using NOAA AVHRR data. International Journal of Remote Sensing. 2009;30(10):2653-68.
[21]-Kogan F, Stark R, Gitelson A, Jargalsaikhan L, Dugrajav C, Tsooj S. Derivation of pasture biomass in Mongolia from AVHRR-based vegetation health indices. International Journal of Remote Sensing. 2004;25(14):2889-96.
[22]-Zhang A, Jia G. Monitoring meteorological drought in semiarid regions using multi-sensor microwave remote sensing data. Remote sensing of Environment. 2013;134:12-23.
 [23]-Rhee J, Im J, Carbone GJ. Monitoring agricultural drought for arid and humid regions using multi-sensor remote sensing data. Remote Sensing of Environment. 2010;114(12):2875-87.
[24]-Almazroui M. Calibration of TRMM rainfall climatology over Saudi Arabia during 1998–2009. Atmospheric Research. 2011;99(3):400-14.
[25]-Huete A, Didan K, Miura T, Rodriguez EP, Gao X, Ferreira LG. Overview of the radiometric and biophysical performance of the MODIS vegetation indices. Remote sensing of environment. 2002;83(1):195-213.
[26]-Quiring SM, Ganesh S. Evaluating the utility of the Vegetation Condition Index (VCI) for monitoring meteorological drought in Texas. Agricultural and Forest Meteorology. 2010;150(3):330-9.
 [27]-Zhang HW, Chen HL, Shen S, Zhou G, Yu W. Drought remote sensing monitoring based on the surface water content index (SWCI) method. Remote Sensing Technology and Application. 2008; 23(6):624-8.
[28]-Chuvieco E, Riano D, Aguado I, Cocero D. Estimation of fuel moisture content from multitemporal analysis of Landsat Thematic Mapper reflectance data: applications in fire danger assessment. International Journal of Remote Sensing. 2002;23(11):2145-62.
[29]-Ceccato P, Flasse S, Tarantola S, Jacquemoud S, & Grégoire J. M. Detecting vegetation leaf water content using reflectance in the optical domain. Remote sensing of environment. 2001; 77(1), 22-33.
[30]-Kogan FN. Remote sensing of weather impacts on vegetation in non-homogeneous areas. International Journal of Remote Sensing. 1990;11(8):1405-19.
[31]-Singh RP, Roy S, Kogan F. Vegetation and temperature condition indices from NOAA AVHRR data for drought monitoring over India. International Journal of Remote Sensing. 2003;24(22):4393-402.
 [32]-Hooshangi N, Alesheikh A.A, Helali H. Regional review of potential solar radiation.Evaluation and optimization of interpolation methods in the country. Journal of Regional Planning. 2014; 4: 1-16. [Persian]
دوره 3، شماره 3
مهر 1395
صفحه 439-454
  • تاریخ دریافت: 29 شهریور 1395
  • تاریخ بازنگری: 04 آذر 1395
  • تاریخ پذیرش: 29 آبان 1395
  • تاریخ اولین انتشار: 29 آبان 1395
  • تاریخ انتشار: 01 مهر 1395