بررسی سری زمانی خشکسالی کشاورزی شهرستان داراب با استفاده از سنجش‌ازدور و سامانه گوگل ارث انجین

جغرافیا و مخاطرات محیطی

مقاله 9، دوره 10، شماره 4 - شماره پیاپی 40، بهمن 1400، صفحه 175-192   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.22067/geoeh.2021.69186.1029

نویسندگان

حسین اسمعیلی^{* 1}؛ سید حسین میرموسوی²؛ اسماعیل سهیلی³

¹کارشناس ارشد آب و هواشناسی، گروه جغرافیا، دانشکده علوم انسانی، دانشگاه زنجان، زنجان، ایران

²دانشیار آب و هواشناسی، گروه جغرافیا، دانشکده علوم انسانی، دانشگاه زنجان، زنجان، ایران

³استادیار آبخیزداری، بخش مرتع، دانشکده کشاورزی و منابع طبیعی داراب، دانشگاه شیراز، شیراز، ایران

چکیده

مخاطره خشکسالی ازجمله ویژگی­های طبیعی کره زمین محسوب می­شود که امکان رخداد آن در تمام مناطق آب و هوایی وجود دارد؛ به‌طوری‌که در پاره­ای موارد خسارات جبران­ناپذیری را ایجاد می­کند. با توجه به اهمیت خشکسالی، این پژوهش با هدف تحلیل سری زمانی خشکسالی کشاورزی شهرستان داراب طی یک دوره 20 ساله (1399 – 1379) با استفاده از سنجش‌ازدور و تصاویر ماهواره­ای در محیط سامانه گوگل ارث انجین انجام شد. تصاویر ماهواره­ای شامل 460 تصویر از محصولات دمای سطح زمین (LST) و پوشش گیاهی (NDVI) سنجنده مودیس ماهواره تررا می­باشند که از آن‌ها جهت محاسبه شاخص وضعیت دمایی (TCI) و شاخص وضعیت پوشش گیاهی (VCI) استفاده شد. همچنین با استفاده از داده­های بارش ثبت شده ایستگاه سینوپتیک داراب، شاخص SPI به‌وسیله نرم‌افزار MATLAB در بازه­های زمانی مختلف محاسبه شد. نتایج به دست آمده حاکی از این است که مطابق با طبقه خشکی بسیار شدید و بر اساس شاخص TCI سال 1379 با مساحت 46/225 کیلومترمربع وسعت و همچنین نیز بر اساس شاخص VCI سال 1392 با مساحت 80/280 کیلومترمربع وسعت، بیشترین مساحت خشکی را در شهرستان داراب داشته‌اند. درنتیجه مقایسه بین مقدار عددی شاخص SPI برای هر یک از سال­های دوره موردبررسی با میزان مساحت­های فاقد خشکسالی حاصل از دو شاخص TCI و VCI به دست آمده از تصاویر ماهواره­ای، بیشترین مقدار ضریب همبستگی به میزان 76/0 بین SPI دوازده‌ماهه و شاخص VCI مشاهده شد که این مطلب نمایانگر شاخص ماهواره­ای VCI به‌عنوان شاخص بهینه نشان­دهنده وضعیت خشکسالی در شهرستان داراب است.

کلیدواژه‌ها

سری زمانی خشکسالی؛ شاخص SPI؛ شهرستان داراب؛ گوگل ارث انجین؛ شاخص TCI

مراجع

اسدی می­آبادی، احمد؛ اخضری، داود؛ نوری، حمید؛ بشیرگنبد، محمد؛ 1394. مطالعه اثر خشکسالی بر تغییرات پوشش گیاهی در اراضی مرتعی و کشاورزی بر مبنای داده­های میدانی و ماهواره­ای (مطالعه موردی: جنوب استان همدان). نشریه مرتعداری. سال دوم. شماره 1.

رستمی، امین؛ بزانه، محمد؛ رائینی، محمود؛ 1396. پایش مکانی و زمانی خشکسالی کشاورزی با استفاده از تصاویر سنجنده مودیس و فن آوری سنجش‌ازدور (مطالعه موردی: استان آذربایجان شرقی). نشریه دانش آب و خاک. جلد 27. شماره 1. صص 226 – 213.

رضایی­بنفشه، مجید؛ رضایی، علی؛ فریدپور، مجتبی؛ 1394. تحلیل خشکسالی کشاورزی استان آذربایجان شرقی با تاکید بر سنجش‌ازدور و شاخص وضعیت پوشش گیاهی. نشریه دانش آب و خاک. جلد 25. شماره 1. صص 123 – 113.

زرگران، پریما؛ بذرافشان، جواد؛ آقاشریعتمداری، زهرا؛ حجابی، سمیه؛ کمالی، سعیده؛ 1398. پایش روزانه خشکسالی بر پوشش گیاهی با استفاده از داده­های بارش شبکه INTERIM و تصاویر سنجنده مودیس MODIS (مطالعه موردی: استان کرمانشاه). نشریه هواشناسی کشاورزی. جلد 7. پاییز و زمستان. صص 14 – 3.

سلطانی­فر، میلاد؛ سلطانی، هادی؛ کله­هوئی، مهین؛ سلیمانی، کریم؛ 1398. پایش خشکسالی منطقه­ای با استفاده از تصاویر لندست، منطقه مورد مطالعه: شهرستان کرمانشاه. فصلنامه علمی – پژوهشی اطلاعات جغرافیایی (سپهر). دوره 28. شماره 109. صص 146 – 137.

سلیمانی، کریم؛ درویشی، شادمان؛ شکریان، فاطمه؛ 1398. تحلیل خشکسالی کشاورزی با استفاده از شاخص­های سنجش‌ازدور (مطالعه موردی: شهرستان مریوان). نشریه سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی. دوره 10. شماره 35. صص 33 – 15.

سلیمانی­ساردو، مجتبی؛ زراعی، مهدی؛ 1398. پایش خشکسالی با استفاده از داده­های سنجنده MODIS و مقایسه با شاخص هواشناسی SPI در دوره­های کوتاه مدت (مطالعه موردی: حوضه آبخیز جازموریان). پژوهشنامه مدیریت حوضه آبخیز. سال دهم. شماره 20. پاییز و زمستان. صص 261 – 250.

سلیمانی­شیری، محمدرضا؛ 1391. مکان­یابی اراضی مستعد جهت اجرای سیستم­های آبیاری تحت فشار و سطحی با استفاده از GIS (مطالعه موردی: دشت داراب). پایان­نامه کارشناسی ارشد. اساتید راهنما: ناصری، عبدالعلی؛ ایزدپناه، زهرا. رشته مهندسی آب. دانشگاه شهید چمران اهواز.

علائی طالقانی، محمود؛ 1382. ژئومورفولوژی ایران. انتشارات قومس.

علیقلی­نیا، توحید؛ رسولی­مجد، نگار؛ هزارجریبی، ابوطالب؛ 1398. ارزیابی و مقایسه شاخص­های خشکسالی استان آذربایجان غربی با استفاده از شاخص PNI، CZI، SPI و سیستم اطلاعات جغرافیایی (GIS). مجله علوم و مهندسی آبیاری. جلد 42. شماره 1. صص 188 – 175.

فرامرزی، محمد؛ نوری، حمید؛ 1394. بررسی و امکان­سنجی کارایی شاخص­های گیاهی و حرارتی ماهواره لندست در تحلیل خشکسالی کشاورزی (مطالعه موردی: شهرستان ملایر). فصلنامه تحقیقات جغرافیایی. سال 30. شماره 3. صص 152 – 139.

نعمتی، احمد؛ قریشی نجف آبادی، سیدحسین؛ جودکی، غلامرضا؛ موسوی ندوشنی، سیدسعید؛ 1398. ارزیابی شاخصه­های خشکسالی کشاورزی حوضه آبریز فلات مرکزی ایران با استفاده از ماهواره گرانش­سنجی. تحقیقات آب و خاک ایران. دوره 50. شماره 2. خرداد و تیر.

 

AghaKouchak, A. et al., 2015. Remote sensing of drought: Progress, challenges and opportunities. Reviews of Geophysics, 53(2): 452-480.

Baig, M.H.A. et al., 2020. Assessing Meteorological and Agricultural Drought in Chitral Kabul River Basin Using Multiple Drought Indices. Remote Sensing, 12(9): 1417.

Faisol, A., Indarto, I., Novita, E. and Budiyono, B., 2020. An Application of MODIS Surface Reflectance Product for Drought Assessment on Agriculture Area in Manukwari–West Papua–Indonesia, E3S Web of Conferences. EDP Sciences, pp. 01001.

Farahmand, A., 2016. Frameworks for Improving Multi-Index Drought Monitoring Using Remote Sensing Observations, UC Irvine.

Feng, P., Wang, B., Li Liu, D. and Yu, Q., 2019. Machine learning-based integration of remotely-sensed drought factors can improve the estimation of agricultural drought in South-Eastern Australia. Agricultural Systems, 173: 303-316.

Hazaymeh, K. and Hassan, Q.K., 2016. Remote sensing of agricultural drought monitoring: A state of art review. Aims Environmental Science, 3(4): 604.

Ji, T., Li, G., Yang, H., Liu, R. and He, T., 2018. Comprehensive drought index as an indicator for use in drought monitoring integrating multi-source remote sensing data: a case study covering the Sichuan-Chongqing region. International Journal of Remote Sensing, 39(3): 786-809.

Kogan, F.N., 1995. Application of vegetation index and brightness temperature for drought detection. Advances in space research, 15(11): 91-100.

Kulkarni, S.S. et al., 2020. Developing a Remote Sensing-Based Combined Drought Indicator Approach for Agricultural Drought Monitoring over Marathwada, India. Remote Sensing, 12(13): 2091.

McKee, T.B., Doesken, N.J. and Kleist, J., 1993. The relationship of drought frequency and duration to time scales, Proceedings of the 8th Conference on Applied Climatology. Boston, pp. 179-183.

Nemani, R. et al., 2009. Monitoring and forecasting ecosystem dynamics using the Terrestrial Observation and Prediction System (TOPS). Remote Sensing of Environment, 113(7): 1497-1509.

Qu, C., Hao, X. and Qu, J.J., 2019. Monitoring extreme agricultural drought over the Horn of Africa (HOA) using remote sensing measurements. Remote Sensing, 11(8): 902.

Salazar, L., Kogan, F. and Roytman, L., 2008. Using vegetation health indices and partial least squares method for estimation of corn yield. International Journal of Remote Sensing, 29(1): 175-189.

Shen, R., Huang, A., Li, B. and Guo, J., 2019. Construction of a drought monitoring model using deep learning based on multi-source remote sensing data. International Journal of Applied Earth Observation and Geoinformation, 79: 48-57.

Silleos, N.G., Alexandridis, T.K., Gitas, I.Z. and Perakis, K., 2006. Vegetation indices: advances made in biomass estimation and vegetation monitoring in the last 30 years. Geocarto International, 21(4): 21-28.

Teweldebirhan Tsige, D., Uddameri, V., Forghanparast, F., Hernandez, E.A. and Ekwaro-Osire, S., 2019. Comparison of Meteorological-and Agriculture-Related Drought Indicators across Ethiopia. Water, 11(11): 2218.

Thenkabail, P.S. and Gamage, M., 2004. The use of remote sensing data for drought assessment and monitoring in Southwest Asia, 85. Iwmi.

Tucker, C.J. and Choudhury, B.J., 1987. Satellite remote sensing of drought conditions. Remote sensing of Environment, 23(2): 243-251.

Vyas, S.S. et al., 2015. A combined deficit index for regional agricultural drought assessment over semi-arid tract of India using geostationary meteorological satellite data. International journal of applied earth observation and geoinformation, 39: 28-39.

Wang, X. et al., 2018. A predictive model of equivalent temperature index for dairy cattle (ETIC). Journal of thermal biology, 76: 165-170.

West, H., Quinn, N. and Horswell, M., 2019. Remote sensing for drought monitoring & impact assessment: Progress, past challenges and future opportunities. Remote Sensing of Environment, 232: 111291.

Zhou, X. et al., 2020. Developing a fused vegetation temperature condition index for drought monitoring at field scales using Sentinel-2 and MODIS imagery. Computers and Electronics in Agriculture, 168: 105144.