مدیریت آب در کشاورزی

مدیریت آب در کشاورزی

ارزیابی شدت خشکسالی مبتنی بر سنجش از دور با استفاده از روش‌ هوشمند چند مقیاسی (مطالعه موردی: شمال غرب ایران)

نوع مقاله : مقاله پژوهشی

نویسندگان
محسن رضوی پاشابیگ 1
کریم امینی نیا 2
سیدمهدی ثاقبیان 3
رقیه قاسم پور 4
1 دانشجوی دکتری، گروه جغرافیا، واحد اهر، دانشگاه آزاد اسلامی، اهر- ایران
2 گروه جغرافیا، دانشکده علوم انسانی، دانشگاه آزاد اسلامی واحد اهر
3 گروه عمران، دانشکده فنی، دانشگاه آزاد اسلامی واحد اهر، اهر - ایران
4 گروه آب دانشکده عمران دانشگاه صنعتی استانبول، استانبول- ترکیه
چکیده
خشک‌سالی به‌عنوان یک بلای طبیعی یکی از دغدغه‌های اکولوژیکی، هیدرولوژیکی، کشاورزی و اقتصادی انسان است. در این مطالعه، روش‌ هوشمند چند مقیاسی برای بررسی شدت خشک‌سالی و مناطق مستعد خشک‌سالی در شمال غرب ایران برای سال‌های 1983-2020 استفاده شد. در فرآیند مدل‌سازی مجموعه داده‌های سنجش‌ازدور و زمینی مورداستفاده قرار گرفت. در بررسی وضعیت خشک‌سالی، سری‌های زمانی خشک‌سالی ابتدا با روش تجزیه حالت متغیر (VMD) به چندین زیرمجموعه تقسیم شدند. سپس مؤثرترین زیرمجموعه‌ها بر اساس مقدار انرژی آن­ها انتخاب و منطقه انتخابی پهنه‌بندی شد. در مرحله بعد، مقادیر انرژی میانگین هر ایستگاه به‌عنوان ورودی تکنیک خوشه‌بندی K-means استفاده شد. نتایج کارایی مناسب روش‌های چند مقیاسی پیشنهادی را در تشخیص مؤثر شدت خشک‌سالی ثابت کرد. نتایج نشان داد که بخش جنوب شرقی از خشک‌سالی شدید رنج می‌برد، درحالی‌که خشک‌سالی در بخش‌های جنوب غربی و شمال غربی منطقه موردمطالعه خفیف‌تر است. کمترین مقدار انرژی برای بخش‌های مرکزی به دست آمد که در آن، مناطق خشک‌تر وجود داشت. مشخص گردید که بین شاخص خشک‌سالی و مقادیر انرژی رابطه معکوس وجود دارد. همچنین بر اساس نتایج خوشه‌بندی تشابه عدم قطعیت هیدرولوژیکی درون- خوشه‌ای آشکار شد، اگرچه برخی ایستگاه‌های باران­سنجی در برخی خوشه‌ها بافاصله زیاد از هم قرار دارند. به بیانی دیگر، اساس خوشه‌بندی لزوماً قرابت ایستگاه‌ها نیست.
کلیدواژه‌ها
پایش خشک‌سالی
پیش‌پردازش چند مقیاسی
پوشش گیاهی
سنجش از دور
K-means

عنوان مقاله English

Assessment of Drought Severity Based on Remote Sensing Using a Multi-scale Intelligent Method (Case Study: Northwest Iran)

نویسندگان English

Mohsen Razavi Pashabeigh 1
کریم امینی نیا 2
SEYEDMAHDI SAGHEBIAN 3
Roghayeh Ghasempour 4
1 Ph.D. candidate, Department of Geography, Ahar Branch, Islamic Azad University, Ahar, Iran
2 Department of Geography, Islamic Azad University, Ahar , Iran
3 Department of Civil Engineering, Technical Faculty, Islamic Azad University of Ahar Branch, Ahar – Iran
4 Faculty of Civil Engineering, Istanbul Technical University, Istanbul-Türkiye
چکیده English

Drought as a natural disaster is one of the ecological, hydrological, agricultural and economic concerns of humans. In this study, a multi-scale intelligent method was used to assess drought severity and drought-prone areas in northwest Iran for the years 1983-2020. The modeling process utilized both remote sensing and ground-based datasets. To analyze drought conditions. drought time series were first decomposed into several subseries using the Variational Mode Decomposition (VMD) method. Then, the most effective subseries were selected based on their energy values and the selected area was zoned. In the next step, the mean energy values of each station were used as input of the K-means clustering technique. Results proved the proposed multiscale method's appropriate efficiency in effectively diagnosing drought severity. Results showed that the southeastern part suffers from severe drought, while drought in the southwestern and northwestern parts of the study area is milder. The lowest energy values were  obtained for the central regions, where drier areas were present. It was found that there is an inverse relationship between the drought index and energy values. Also, based on the results obtained from clustering, it was revealed the similarity of intra-cluster hydrological uncertainty, although some rain-gauge stations in some clusters are located at a great distance from each other. In other words, the basis of clustering was not necessarily the proximity of the stations.

کلیدواژه‌ها English

Drought monitoring
K-means
Multiscale preprocessing
Remote sensing
Vegetation
ادیب، ا. و گرجی زاده، ع. 1395. بررسی و پایش خشک‌سالی با استفاده از شاخص‌های خشک‌سالی؛ مطالعه موردی حوضه آبریز دز. نشریه مهندسی آبیاری و آب ایران. (2) 7: 185-173.
اسمعیلی، ح.، میرموسوی، س.ح. و سهیلی، ا. 1401. ﺗﺤﻠﯿﻞ اﺛﺮ خشک‌سالی ﺑﺮ ﭘﺎراﻣﺘﺮﻫﺎی ﻓﻨﻮﻟﻮژی شاخص‌های ﮔﯿﺎﻫﯽ ﺑﺎ اﺳﺘﻔﺎده از ﺳﺮی زﻣﺎنی ﺗﺼﺎوﯾﺮ ﺳﻨﺠﻨﺪه MODIS (ﻣﻮرد ﻣﻄﺎﻟﻌﺎتی: اﺳﺘﺎن ﻫﻤﺪان). نشریه علمی علوم و فنون نقشه­برداری. 12(2): 166-152.
بازگیر، س.، اسعدی اسکویی، ا.، عباسی، ف.، رضازاده، پ. و حقیقت، م. 1399. مطالعه تطبیقی کارایی برخی نمایه‎های خشک‌سالی هواشناسی در مناطق مختلف اقلیمی ایران. تحقیقات آب‌وخاک ایران. 51(11): 2760-2751.
ترابی نژاد، ن.، زرین، آ. و داداشی رودباری، ع. 1402. بررسی انواع خشک‌سالی و مشخصه‌های آن در ایران با استفاده از شاخص بارش تبخیر-تعرق استاندارد شده (SPEI). نشریه آب و خاک. (3)37: 486-473.
رضایی­مقدم، م.، ولیزاده، ح.، رستم زاده، خ. و رضایی، ع. 1391. ارزیابی کارایی داده‌های سنجنده MODIS در برآورد خشک‌سالی (مطالعه‌ی موردی: حوضه‌ی آبریز دریاچه ارومیه). نشریه جغرافیا و پایداری محیط. 1: 16-3.
صلاحی، ب و فریدپور، ف. 1395. تحلیل فضایی خشک‌سالی اقلیمی شمال غرب ایران با استفاده از آماره خودهمبستگی فضایی. نشریه تحلیل فضایی مخاطرات محیطی 3 (3): 30-1.
صمدی نقاب، س. 1395. تحلیل پس پردازش خروجی مدل­های دینامیکی بر روی خشک‌سالی شمال غرب ایران. رساله دکتری. دانشگاه تبریز.
عزیزی، ‌ق.، ‌صفر‌راد‌، ط.، ‌محمدی‌، ح. و ‌فرجی‌سبکبار، ‌ح. 1395. ارزیابی و مقایسه داده­های بازکاوی شده بارش جهت استفاده در ایران. ‌پژوهش­های جغرافیای طبیعی. 42 (6): 41-33.
کاظم­پور چورسی، س.، عرفانیان، م. و عبادی نهاری، ز. 1398. ارزﯾﺎﺑﯽ داده­ﻫﺎی ﻣﺎﻫﻮاره­ای MODIS و TRMM در ﭘﺎﯾﺶ خشک‌سالی ﺣﻮضه آﺑﺮﯾﺰ درﯾﺎچه اروﻣﯿﻪ. ﺟﻐﺮاﻓﯿﺎ و ﺑﺮﻧﺎﻣﻪ­رﯾﺰی ﻣﺤﯿﻄﯽ. 74(2): 34-17.
مددی، غ.، حمزه، س. و نوروزی ع. 1395. ارزﯾﺎﺑﯽ ﺗﺼﺎوﯾﺮ ماهواره‌ای TPMM ﺟﻬﺖ ﭘﺎﯾﺶ زﻣﺎﻧﯽ و ﻣﮑﺎﻧﯽ خشک‌سالی، ﻣﻄﺎﻟﻌﻪ ﻣﻮردی: ﺣﻮﺿﻪ ﻣﺮزی ﻏﺮب. ﻧﺸﺮﯾﻪ ﻋﻠﻤﯽ- ﭘﮋوﻫﺸﯽ ﻣﻬﻨﺪﺳﯽ و ﻣﺪﯾﺮﯾﺖ آﺑﺨﯿﺰ. (4) 8: 376-362.
مقیمی، م.، کوهی ا. و زارعی، ع. 1397. پایش و پیش‌بینی وضعیت خشک‌سالی در استان فارس با استفاده از شاخص RDI و مدل ریاضی زنجیره مارکوف. نشریه مهندسی آبیاری و آب ایران. (3)8: 165-153.
Agarwal, A., Maheswaran, R., Sehgal, V., Khos, R., Sivakumar, B. and Bernhofer, C. 2016. Hydrologic regionalization using wavelet-based multiscale entropy method. Hydrolology. 538: 22–32.
Bento, V. A., Gouveia, C.M., DaCamara, C.C., Libonati, R. and Trigo, I. F. 2020. The roles of NDVI and Land Surface Temperature when using the Vegetation Health Index over dry regions. Global and Planetary Change.190: p.103198.
Cao, S., Zhang, L., He, Y., Zhang, Y., Chen, Y., Yao, S., Yang, W. and Sun, Q. 2022. Effects and contributions of meteorological drought on agricultural drought under different climatic zones and vegetation types in Northwest China. Science of the Total Environment. p.153270.
Gidey, E., Dikinya, O., Sebego, R., Segosebe, E. and 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.
He, X., Luo, J., Zuo, G. and Xie, J. 2019. Daily runoff forecasting using a hybrid model based on variational mode decomposition and deep neural networks. Water resources management. 33: 1571-1590.
Jalayer, S., Sharifi, A., Abbasi-Moghadam, D., Tariq, A. and Qin, S. 2023. Assessment of spatiotemporal characteristic of droughts using in situ and remote sensing-based drought indices. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. 16: 1483-502.
Jeong, H.G., Ahn, J.B., Lee, J., Shim, K.M. and Jung, M.P. 2020. Improvement of daily precipitation estimations using PRISM with inverse-distance weighting. Theoretical and Applied Climatology. 139(3): 923-934.
Karnieli, A., Agam, N., Pinker, R.T., Anderson, M., Imhoff, M.L., Gutman, G.G., Panov, N. and Goldberg, A. 2010. Use of NDVI and land surface temperature for drought assessment: Merits and limitations. Journal of climate. 23(3): 618-633.
Kogan, F.N. 1997. Global drought watch from space. Bulletin of the American Meteorological Society, 78: 621-636.
Li, J., Zhang, S., Huang, L., Zhang, T. and Feng, P. 2020. Drought prediction models driven by meteorological and remote sensing data in Guanzhong Area, China. Hydrology Research. 51(5): 942-958.
Liou, Y. A. and Mulualem, G.M. 2019. Spatio–temporal assessment of drought in Ethiopia and the impact of recent intense droughts. Remote sensing. 11(15): 1828.
Mathew, A., Khandelwal, S., Kaul, N. 2018. Spatio-temporal variations of surface temperatures of Ahmedabad city and its relationship with vegetation and urbanization parameters as indicators of surface temperatures. Remote Sensing Applications: Society and Environment. 11: 119-139.
Quan, Q., Gao, S., Shang, Y., Wang, B. 2021. Assessment of the sustainability of Gymnocypris eckloni habitat under river damming in the source region of the Yellow River. Science of the Total Environment. 778: 146312.
Singh, R.P., Roy, S. and Kogan, F. 2003. Vegetation and temperature condition indices from NOAA AVHRR data for drought monitoring over India. International journal of remote sensing. 24(22): 4393-4402.
Sun, D. and Kafatos, M. 2007. Note on the NDVI‐LST relationship and the use of temperature‐related drought indices over North America. Geophysical Research Letters. 34(24): L24406.
Wang, T. and Sun, F. 2023. Integrated drought vulnerability and risk assessment for future scenarios: An indicator based analysis. Science of the Total Environment. 900: 165591.
Zhang, A. and Jia, G. 2013. Monitoring meteorological drought in semiarid regions using multi-sensor microwave remote sensing data. Remote sensing of Environment. 134: 12-23.
Zhang, H.K., Huang, B., Zhang, M., Cao, K. and Yu, L. 2015. A generalization of spatial and temporal fusion methods for remotely sensed surface parameters. International Journal of Remote Sensing. 36(17): 4411-4445.
Zhou, Q., Leng, G., Peng, J. 2018. Recent Changes in the Occurrences and Damages of Floods and Droughts in the United States. Water. 10(9): 1109.