اخبار و اعلانات

 آمار

تعداد نشریات56
تعداد شماره‌ها2,154
تعداد مقالات22,486
تعداد مشاهده مقاله103,529,485
تعداد دریافت فایل اصل مقاله49,405,480
مالمیر, مائده, شایسته, کامران, پژوهان, ایمان. (1404). ارزیابی خشک‌سالی کشاورزی با استفاده از داده‌های سنجش‌ازدور (مطالعه موردی: شهرستان تویسرکان). سامانه مدیریت نشریات علمی, 16(3), 513-531. doi: 10.22067/agry.2024.85155.1173
مائده مالمیر; کامران شایسته; ایمان پژوهان. "ارزیابی خشک‌سالی کشاورزی با استفاده از داده‌های سنجش‌ازدور (مطالعه موردی: شهرستان تویسرکان)". سامانه مدیریت نشریات علمی, 16, 3, 1404, 513-531. doi: 10.22067/agry.2024.85155.1173
مالمیر, مائده, شایسته, کامران, پژوهان, ایمان. (1404). 'ارزیابی خشک‌سالی کشاورزی با استفاده از داده‌های سنجش‌ازدور (مطالعه موردی: شهرستان تویسرکان)', سامانه مدیریت نشریات علمی, 16(3), pp. 513-531. doi: 10.22067/agry.2024.85155.1173
مالمیر, مائده, شایسته, کامران, پژوهان, ایمان. ارزیابی خشک‌سالی کشاورزی با استفاده از داده‌های سنجش‌ازدور (مطالعه موردی: شهرستان تویسرکان). سامانه مدیریت نشریات علمی, 1404; 16(3): 513-531. doi: 10.22067/agry.2024.85155.1173

ارزیابی خشک‌سالی کشاورزی با استفاده از داده‌های سنجش‌ازدور (مطالعه موردی: شهرستان تویسرکان)

بوم شناسی کشاورزی
مقاله 6، دوره 16، شماره 3 - شماره پیاپی 61، مهر 1403، صفحه 513-531    اصل مقاله (2.12 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22067/agry.2024.85155.1173
نویسندگان
مائده مالمیر1؛ کامران شایسته* 1؛ ایمان پژوهان2
1گروه محیط زیست، دانشکده منابع طبیعی و محیط زیست، دانشگاه ملایر، ملایر، ایران
2گروه مهندسی طبیعت، دانشکده منابع طبیعی و محیط زیست، دانشگاه ملایر، ملایر، ایران.
چکیده
امروزه با توجه به اهمیت خشکسالی و تغییر اقلیم، نیازمند یک برنامه منظم برای ارائه راهکارهای مدیریتی مناسب و پایش خشکسالی جهت به حداقل رساندن زیان‌های کشاورزی می‌باشیم. با استفاده از تکنیک سنجش‌ازدور می‌توان خشکسالی را از طریق اثراتی که روی گیاهان دارد، مطالعه و به نتایج دقیق­تر و مؤثرتری برای مدل‌سازی خشکسالی دست یافت. هدف این تحقیق، ارزیابی الگوهای مکانی و زمانی خشکسالی پوشش گیاهی باغی و باغی‌کشاورزی شهرستان تویسرکان با استفاده از شاخص‌های پوشش‌ گیاهی به‌دست آمده برمبنای داده‌های ماهواره‌ای MODIS شامل: شاخص تفاضل نرمال شده پوشش گیاهی (NDVI)، شاخص وضعیت پوشش‌ گیاهی (VCI)، شاخص سلامت ‌گیاهی (VHI)، شاخص وضعیت‌ دما (TCI)، برای دوره زمانی 2002 تا 2021 و در مقیاس‌های زمانی فصلی، چهار ماهه، شش ماهه، نه ماهه و سالانه است. نتایج حاصل از همبستگی پیرسون بین شاخص­های ماهواره­ای و مقادیر شاخص بارش استاندارد (SPI) نشان داد که بین شاخصVCI  ماه‌های آوریل تا ژوئن سال وSPI  ماه‌های ژانویه تا سپتامبر همبستگی برابر با 599/0و بین شاخص VCI در ماه‌های آوریل تا ژوئن وSPI  ماه‌های ژانویه تا ژوئن همبستگی (570/0) معنی­داری وجود دارد. برمبنای محاسبه‌های انجام شده، شرایط اقلیمی محدوده با نتایج حاصل از شاخص ‌گیاهی  VCIدر مقیاس فصلی، تطابق بیشتری دارد. به‌طور کلی، نتایج شاخص VCI و SPI تا حدود زیادی نتایج شاخص NDVI را تأیید می‌کند. در نتیجه، شاخص VCI به‌عنوان بهترین شاخص جهت پایش خشکسالی کشاورزی شهرستان تویسرکان انتخاب گردید. همچنین، شاخص گیاهی VCIنشان­دهنده وضعیت خشکسالی در سال­های 2008 و 2014 و وضعیت ترسالی در سال‌‌های 2007 و 2018 نسبت به دوره مطالعاتی در منطقه بود.
کلیدواژه‌ها
شاخص بارش؛ شاخص پوشش‌ گیاهی؛ شاخص دما
مراجع
  1. Asong, Z.E., Wheater, H.S., Bonsal, B., Razavi, S., & Kurkute S. (2018). Historical drought patterns over Canada and their teleconnections with large-scale climate signals. Hydrology and Earth System Sciences, 22(6), 145-159. https://doi.org/10.5194/hess
  2. Dosarani, M., Wali, A., Sepehr, A., & Komaki, C. (2015). Drought survey on vegetation using MODIS meter in Razavi Khorasan. Scientific and Research Journal of Desert Ecosystem Engineering, 4(7), 1-8. (In Persian with English abstract)
  3. Darvand, S., Khosravi, H., Eskandari Domain, H., & Eskandari Domain, H. (2021). Investigating the trend of changes in NDVI index obtained from Modis sensor images. Iran Watershed Association, Destruction and Restoration of Natural Lands, 1(2), 69-79. (In Persian with English abstract). https://doi.org/20.1001.1.27174425.1399.1.2.7.8
  4. Funk, C., & Budd, E. (2009). PhenologicallyTuned MODIS NDVI-based production normally estimates for Zimbabwe, Remote Sensing of Environment. Journal Article, 113(1), 115-125. https://doi.org/10.1016/j.rse.2008.08.015
  5. Farzaneh, S., Shah Hosseini, R., & Kordpour, A. )2021(. Studying the estimation of providing an efficient index based on the combination of satellite gravimetric data and ground station information for pre-drought in Iran. Scientific-Research Quarterly of Geographical Information,30(1), 117,12-1. (In Persian with English abstract). https://doi:org/10.22131/sepehr.2021.244447
  6. Bahramlou, R., Old, A., Jolani, SH., Samavatian, M., Tabar, A., & Khodayvandi, M,. )2021(. Excerpt of basic statistics of 1400. Hamedan. Ba'ath Square, Meshki Alley, corner of Imran St., 4th floor, Tel: 38215550-6 farsighted: 38234110. Agricultural Jihad Organization of Hamedan Province - Vice President of Planning and Economic Affairs - Department of Statistics, Information Technology and Network Equipment. Doi: www.hm.agri-jahad.ir. (In Persian with English abstract)
  7. Gouveia, C., Trigo, R.M., & Dacamra, C. )2009(. Drought and vegetation stress monitoring in Portugal sing satellite data. Journal of Natural Hazards Earth System Sciences,9(1), 185.195. https://doi:org/10.5194/nhess
  8. 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. Journal of Earth Systems and Environment ,2(1)، 1-15. https://org/10.1007/s41748-018-0055-9
  9. Hamzeh, S., Farahani, Z., Mahdavi, S., Chater Abgun, A., & Gholamnia, M. (2017). Temporal and spatial monitoring using remote sensing data in the Central province of Iran. Journal of Spatial Analysis of Environmental Hazards,4 (3), 53-70. (In Persian with English abstract). https://doi: khu.ac.ir on 2023-10-29
  10. He, Y., Chen, F., Jia, H., Wang, L., & Bondur, V.G. (2020). Different drought legacies of rain-fed and irrigated croplands in a typical Russian agricultural Region. Remote Sensing,12(11), 1-23. https://org/10.3390/rs12111700
  11. Hashemi, A., Yazdan Panah, H., & Momeni, M. (2021). Estimating the main stages of orange tree phenology using remote sensing of a sample of gardens in the southeast of Fars province. Geography and Environmental Planning,32(2), 119-134. (In Persian with English abstract). https://doi.org/10.22108/GEP.2021.125910.1373
  12. Jinha, J., Murillo, M., Anjin, C., Mahendra, B., Akash, A., & Juan, L.B. (2021). The potential of remote sensing and artificial intelligence as tools to improve the resilience of agriculture production systems. Current Opinion in Biotechnology,70(1), 15–22. https://doi.org/10.1016/j.copbio.2020.09.003
  13. Kogan, F.N., Stark, R., Gitelson, A., Jargalsaikhan, L., Dugrajav, C., & Tsooj, S. (2005). Derivation of pasture biomass in Mongolia from AVHRR-based vegetation health indices. International Journal of Remote Sensing, 25(14), 2889–2896. https://doi.org/10.1080/01431160410001697619
  • Karimi, M., & Shahidi, K. (2017). Survey of meteorological, hydrological and agricultural drought using drought indicators in Qarasu watershed. Remote Sensing and Geographic Information System in Natural Resources,9(2), 1-16. (In Persian with English abstract). dio:girs.iaubushehr.ac.ir
  1. Karimi, M., & Shahidi, K. (2018). Survey of meteorological, hydrological and agricultural drought using drought indicators in Qarasu watershed. Remote Sensing and Geographic Information System in Natural Resources,10(2), 1-19. (In Persian with English abstract). dio:girs.iaubushehr.ac.ir
  2. Lucas, V., Oldoni, I., Del Arco, S., Michelle Cristina, A,. Picoli, R,. & José, G.F. (2020). LEM + dataset: For agricultural remote sensing applications. Earth Observation and Geoinformatics Division, National Institute for Space Research, São Josédos Campos, Brazil,33(1), 1-7. https://doi.org/10.1016/j.dib.2020.106553
  3. Mather, P.M., & Koch, M. (2010). Computer processing of remotely-sensed images an introduction. John Wiley and Sons,12(1), 29-66. https://org/10.1002/9780470666517.ch2
  4. Mirmousavi, H., & Karimi,M. (2013). Studying the effect of drought on vegetation using MODIS sensor images in Kurdistan province. Geography and Development,31(11), 57-76. (In Persian with English abstract). https://doi.org/sid.ir/paper/77245/fa
  5. Ministry of Communications and Information Technology, Iran Space Agency, Remote Sensing. )2019(. (In Persian with English abstract). https://doi:rs.isa.ir
  6. Masoumeh, T. )2021(. Time series evaluation of the health index of agricultural products using remote sensing data in Cheram city, master's thesis in the field of natural resources science and engineering - land evaluation and preparation. Khatam Al Anbia Behbehan University of Technology. 45. (In Persian with English abstract)
  7. Rahimzadeh, P., Darvishsefat, A. Khalili, A, & Makhdom, M. )2008(. Using AVHRR-based vegetation indices for drought monitoring in the Northwest of Iran. Journal of Arid Environments,72(1), 1086-1096. (In Persian with English abstract). https://doi.org/10.1016/j.jaridenv.2007.12.004
  8. Soleimani, K., Darvishi, S., & Shokrian, F. )2019(. Analysis of agricultural drought using remote sensing indicators in Marivan city. Remote Sensing and Geographic Information System in Natural Resources,10(2), 1-19. (In Persian with English abstract). doi:girs.iaubushehr.ac.ir
  9. Schwarz, M., Landmann, T., Cornish, N., Wetzel, K. F., Siebert, S., & Franke, J. )2020(. A spatially transferable drought hazard and drought risk modeling approach based on remote sensing data. Remote Sensing, 12(2), 237-245. https://doi.org/10.3390/rs12020237
  10. Sandeep, P., Obi Reddy, G.P., Jegankumar, R., & Arun Kumar, K.C. )2021(. Monitoring of agricultural drought in semi-arid ecosystem of Peninsular India through indices derived from time-series CHIRPS and MODIS datasets. Ecological Indicators,121(1), 1-16. https://doi.org/10.1016/j.ecolind.2020.107033
  11. Thenkabail, P. S., Gamage, M.S.D.N., & Smakhtin, V.U. )2004(. The use of note sensing data for drought assessment and monitoring in southwest Asia. IWMI Research Report 85,25,1-35. https://doi.org/10.3910/2009.086
  12. Thomás, F.R., Frederico,T.D. & Jéssica, R.G. )2015(.Preliminary analysis of drought in 2012 in semi-arid of alagoas using indices of vegetation through sensor modis. Journal of Hyperspectral Remote Sensing, 5(1), 1-12. dio:10.29150/jhrs.v5.1.p001-012
  13. Veisi, V., Qavam, M., & Bazarafshan, M. )2018(. The effects of drought on changes in pasture cover with an emphasis on telemetry indicators in the Salfchagan Nizar watershed. Scientific Journal of Pasture and Desert Research in Iran,62(3), 1-12. (In Persian with English abstract). https://doi.org/10.22092/ijrdr.2019.120018
  14. Vijith, H., & Dodge-Wan, D. )2020(. Applicability of MODIS land cover and Enhanced Vegetation Index (EVI) for the assessment of spatial and temporal changes in strength of vegetation in tropical rainforest region of Borneo. Remote Sensing Applications: Society and Environment,)35(, 100311. https://doi.org/10.1016/j.rsase.2020.100311.
  15. West, H., Quinn, N., & Horswell, M. )2019(. Remote sensing for drought monitoring and impact assessment: Progress, past challenges and future opportunities. Remote Sensing of Environment,)232(, 111291. https://org/10.1016/j.rse.2019
  16. Yuhas, A.N., & Schuderi, L.A. )2009(. MODIS derived NDVI characterization of drought induced evergreen die off in western North America. Journal of Geographical Research,47(1), 1-94. https://doi.org/10.1111/j.1745-871.2008.0055
آمار
تعداد مشاهده مقاله: 5,126
تعداد دریافت فایل اصل مقاله: 1,513


سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب