نشریه آبیاری و زهکشی ایران

نشریه آبیاری و زهکشی ایران

ارزیابی آسیب‌پذیری خشکسالی با استفاده از ابزار هوشمند چند معیاره و کاربرد داده‌های ماهواره‌ای

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، واحد اهر، دانشگاه آزاد اسلامی، اهر - ایران
3 گروه عمران، دانشکده فنی و مهندسی، واحد اهر، دانشگاه آزاد اسلامی، اهر - ایران
4 گروه آب دانشکده عمران دانشگاه تبریز، تبریز- ایران
چکیده
تأثیر خشک‌سالی به‌عنوان یک پدیده پیچیده بر اقتصاد و محیط‌زیست می‌تواند مخرب باشد. شناخت مناطق مستعد خشک‌سالی برای برنامه‌ریزی و اتخاذ اقدامات کاهشی ضروری است. این مطالعه بر معرفی یک روش چند مقیاسی مبتنی بر مجموعه داده‌های ماهواره‌ای برای ارزیابی آسیب‌پذیری خشک‌سالی در مناطق بدون داده متمرکز شده است. بدین منظور دو مرحله در نظر گرفته شد و پایش خشک‌سالی برای شمال غرب ایران به‌عنوان منطقه مورد مطالعه انجام شد. در مرحله اول، مناطق آسیب‌پذیر با استفاده از تکنیک‌های مبتنی بر کرنل چند معیاره شناسایی شدند که 17 پارامتر ژئومحیطی استخراج شده از داده‌های زمینی و مجموعه داده‌های ماهواره‌ای را برای توسعه نقشه آسیب‌پذیری خشک‌سالی ادغام کرد. مدل‌های در نظر گرفته شده با معیارهای مختلف ارزیابی شدند و با انجام تحلیل حساسیت، مهم‌ترین متغیرها تعیین شدند. نتایج نشان داد که بخش‌های جنوبی و مرکزی منطقه منتخب بیشتر مستعد خشک‌سالی‌های شدید هستند. از بین متغیرهای مورد استفاده، رطوبت خاک، بارش، رطوبت و وضعیت پوشش گیاهی مؤثرترین پارامترها بودند. در مرحله دوم، با توجه به محدودیت‌ داده‌های زمینی، مناطق مستعد خشک‌سالی تنها با استفاده از متغیرهای بارش، وضعیت پوشش گیاهی و دمای سطح زمین استخراج شده از ماهواره‌ها شناسایی شدند. بدین منظور، یک روش چند مقیاسی جدید مبتنی بر تبدیل موجک (WT)، تجزیه مد متغیر (VMD) و روش‌ مبتنی بر کرنل توسعه داده شد. نتایج به‌دست‌آمده نشان‌دهنده کارایی مناسب روش چند مقیاسی پیشنهادی در شناسایی مناطق مستعد خشک‌سالی با شدت‌های مختلف می‌باشد.
کلیدواژه‌ها
آسیب پذیری خشک سالی
داده های زمینی
رویکرد چند معیاره
سنجش از دور

عنوان مقاله English

Drought vulnerability assessment using multi-criteria intelligence method and application of the satellite data

نویسندگان English

Mohsen Razavi Pashabeigh 1
karim Amininia 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, Ahar Branch, Islamic Azad University - Ahar-Iran
3 Department of Civil Engineerin, Ahar Branch, Islamic Azad University - Ahar - Iran
4 Faculty of Civil Engineering, University of Tabriz, Tabriz, Iran
چکیده English

The effect of drought as a complex phenomenon on the economy and environment can be destructive. Identifying the drought-prone areas is essential for planning and adopting mitigation measures. This study is focused on introducing a multi-scale method based on satellite datasets to assess drought vulnerability in areas without data. In this regard, two steps were considered and drought monitoring was carried out for the northwest part of Iran as the study area. In the first step, vulnerable areas were identified using multi-criteria kernel-based techniques that integrated 17 geo-environmental parameters extracted from ground-based and satellite datasets to develop a drought vulnerability map. The considered models were evaluated with different criteria and the most important variables were determined using sensitivity analysis. Results showed that the southern and central parts of the selected region are more prone to severe droughts. Among the considered variables, soil moisture, precipitation, air humidity, and vegetation condition were the most effective parameters. In the second step, due to the limitation of ground-based data, drought-prone areas were identified only by using the variables of precipitation, vegetation condition, and ground surface temperature extracted from satellites. For this aim, a new multiscale method was developed based on wavelet transform (WT), variational mode Decomposition (VMD), and kernel-based methods. The obtained results show the appropriate efficiency of the proposed multi-scale method in identifying areas prone to drought with different intensities.

کلیدواژه‌ها English

Drought vulnerability
Ground-based data
Multi-criteria approach
Remote sensing
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: 173-185.
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. 3:1-16.
مددی، غ.، حمزه، س. و نوروزی ع. 1395. ارزﯾﺎﺑﯽ ﺗﺼﺎوﯾﺮ ﻣﺎﻫﻮاره ای TPMM ﺟﻬﺖ ﭘﺎﯾﺶ زﻣﺎﻧﯽ و ﻣﮑﺎﻧﯽ ﺧﺸﮑﺴﺎﻟﯽ، ﻣﻄﺎﻟﻌﻪ ﻣﻮردی: ﺣﻮﺿﻪ ﻣﺮزی ﻏﺮب. ﻧﺸﺮﯾﻪ ﻋﻠﻤﯽ- ﭘﮋوﻫﺸﯽ ﻣﻬﻨﺪﺳﯽ و ﻣﺪﯾﺮﯾﺖ آﺑﺨﯿﺰ. (4)8: 362-376.
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: 153-165.
Abdulrazzaq, Z. T., Hasan, R. H. and Aziz, N. A. 2019. Integrated TRMM data and standardized precipitation index to monitor the meteorological drought. Civil Engineering. 5(7): 1590-1598.
Adamowski, K., Prokoph, A. and Adamowski, J. 2009. Development of a new method of wavelet aided trend detection and estimation. Hydrology Process. 23(18): 2686-2696.
Anbazhagan, S. and Paramasivam, C. R. 2016. Statistical correlation between land surface temperature (LST) and vegetation index (NDVI) using multi-temporal landsat TM dataInt. Journal of Earth Science and Engineering. 5(1): 333-346
Belal, A. A., El-Ramady, H. R., Mohamed E. S. and Saleh A. M. 2014. Drought risk assessment using remote sensing and GIS techniques. Arabian Journal of Geosciences. 7(1): 35-53.
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: 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.
Chou, C. M. 2011. Complexity analysis of rainfall and runoff time series based on sample entropy in different temporal scales. Stochastic Environmental Research and Risk Assessment. 6:1401-1408.
Dharpure, J. K., Goswami, A., Patel, A., Kulkarni, A. V. and Meloth, T. 2020. Drought characterization using the Combined Terrestrial Evapotranspiration Index over the Indus, Ganga and Brahmaputra river basins. Geocarto International. 10: 1-25.
Dutta, D., Kundu, A., Patel, N., Saha, S. and Siddiqui, A. 2015. Assessment of agricultural drought in Rajasthan (India) using remote sensing derived Vegetation Condition Index (VCI) and Standardized Precipitation Index (SPI). Egypt Journal Remote Sensing Space Science. 18(1): 53-63.
Katul, G. G., Oren, R., Manzoni, S., Higgins, C. and Parlange, M. B. 2012. Evapotranspiration: a process driving mass transport and energy exchange in the soil‐plant‐atmosphere‐climate system. Reviews of Geophysics. 50(3): 1-25.
Lau, K. M. and Weng, H. Y. 1995. Climate signal detection using wavelet transform, How to make time series sing. Bulletin of the American Meteorological Society. 76: 2391-2402.
Li, Y. and Chen, W. 2019. Landslide susceptibility evaluation using hybrid integration of evidential belief function and machine learning techniques. Water. 12(1): p.113.
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): p.1828.
Quan, Q., Gao, S., Shang, Y. and 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: p.146312.
Rasmussen, C. E. and Williams, C. K. I. 2006. Gaussian Processes for Machine Learning. The MIT Press, Cambridge, MA.
Rulinda, C. M., Bijker, W. and Stein, A. 2010. Image mining for drought monitoring in eastern Africa using Meteosat SEVIRI data. International Journal of Applied Earth Observation and Geoinformation. 12: 563-568.
Shojaei, S. and Rahimzadegan, M. 2020. Improving a comprehensive remote sensing drought index (CRSDI) in the Western part of Iran. Geocarto International. 37(5): 1318-1336.
Sruthi, S. and Aslam, M. M. 2015. Agricultural drought analysis using the NDVI and land surface temperature data; a case study of Raichur district. Aquatic Procedia. 4: 1258-1264.
Surendran, U., Anagha, B., Raja P., Kumar, V., Rajan, K. and Jayakumar, M. 2019. Analysis of Drought from Humid, Semi-Arid and Arid Regions of India Using DrinC Model with Different Drought Indices. Water Resources Management. 33(4): 1521-1540.
Tigkas, D., Vangelis, H. and Tsakiris, G. 2020. Implementing crop evapotranspiration in RDI for farm-level drought evaluation and adaptation under climate change conditions. Water Resources Management. 34(14): 4329-4343.
Zare, M., Drastig, K. and Zude-Sasse, M. 2019. Tree water status in apple orchards measured by means of land surface temperature and vegetation index (LST-NDVI) trapezoidal space derived from Landsat 8 satellite images. Sustainability. 12(1): p.70.
نشریه آبیاری و زهکشی ایران
دوره 18، شماره 3 - شماره پیاپی 106
مرداد و شهریور 1403
صفحه 449-463